前言：

最近博主搭建网络需要用到一些直接对于GPU上的tensor的上采样和下采样操作，如果使用opencv那么就需要先将数据从GPU上面copy到CPU，操作完后在转移到GPU。这样不能利用GPU的加速技术，并且还会导致程序阻塞，pytorch中带有函数interpolate可以实现这个功能，下面详细讲解这个函数的使用。

torch.nn.functional. interpolate (input, size=None, scale_factor=None, mode=’nearest’, align_corners=None, recompute_scale_factor=None, antialias=False) [SOURCE]

**输入尺寸以以下形式解释： 小批量 x 通道 x [可选深度] x [可选高度] x 宽度。

**向下/向上对给定 <span>size&#xA0;</span>或 给定的输入进行采样 <span>scale_factor</span>

**用于插值的算法由 <span>mode</span>确定，目前支持时间、空间和体积采样，即预期输入的形状是 3-D、4-D 或 5-D。

*可用于调整大小的模式有：(中英文对照)

nearest, linear (3D-only), bilinear, bicubic (4D-only), trilinear (5D-only), area, nearest-exact

最近、线性（仅限 3D）、 双线性、双三次（仅限 4D）、三线性（仅限 5D）、面积、最近精确

• input ( Tensor ) – 输入张量
• size ( int or Tuple [ int ] or Tuple [ int , int ] or Tuple [ int , int , int ] ) – 输出空间尺寸。
• scale_factor ( float 或 Tuple [ float ] ) – 空间大小的乘数。如果scale_factor是一个元组，它的长度必须匹配input.dim()。
• mode ( str ) – 用于上采样的算法： <span><span>'nearest'</span></span>| <span><span>'linear'</span></span>| <span><span>'bilinear'</span></span>| <span><span>'bicubic'</span></span>| <span><span>'trilinear'</span></span>| <span><span>'area'</span></span>| <span><span>'nearest-exact'</span></span>. 默认： <span><span>'nearest'</span></span>
• align_corners ( bool , optional ) – 在几何上，我们将输入和输出的像素视为正方形而不是点。如果设置为 <span><span>True</span></span>，则输入和输出张量由其角像素的中心点对齐，保留角像素处的值。如果设置为 <span><span>False</span></span>，则输入和输出张量通过其角像素的角点对齐，并且插值对边界外的值使用边缘值填充，使得此操作在保持相同时与输入大小 无关。 <span><span>scale_factor</span></span>这仅在 <span><span>mode</span></span> is <span><span>'linear'</span></span>、或 <span><span>'bilinear'</span></span>时有效。默认： <span><span>'bicubic'</span></span> <span><span>'trilinear'</span></span> <span><span>False</span></span>
• recompute_scale_factor ( bool , optional ) – 重新计算 scale_factor 以用于插值计算。如果recompute_scale_factor是 <span><span>True</span></span>，则 必须传入 scale_factor 并且scale_factor用于计算输出大小。计算出的输出大小将用于推断插值的新比例。请注意，当scale_factor为浮点数时，由于舍入和精度问题，它可能与重新计算的scale_factor不同。如果recompute_scale_factor是 <span><span>False</span></span>，那么size或scale_factor将直接用于插值。默认值： <span><span>None</span></span>.
• *antialias ( bool , optional ) — 应用抗锯齿的标志。默认值： <span><span>False</span></span>. 使用 anti-alias 选项和 <span><span>align_corners=False</span></span>，插值结果将匹配 Pillow 结果以进行下采样操作。支持的模式： <span><span>'bilinear'</span></span>, <span><span>'bicubic'</span></span>.

重要note:

上采样和想采样的参数设置不一致，不要弄混了

NOTE

使用 <span><span>mode='bicubic'</span></span> ，可能会导致过冲，换句话说，它可以为图像生成负值或大于 255 的值。如果要减少显示图像时的过冲，请显式调用。 <span><span>result.clamp(min=0,</span></span>&#xA0;<span><span>max=255)</span></span>

NOTE

Mode <span><span>mode='nearest-exact'</span></span> 匹配 Scikit-Image 和 PIL 最近邻插值算法，并修复了 <span><span>mode='nearest'</span></span>. 引入此模式是为了保持向后兼容性。模式 <span><span>mode='nearest'</span></span> 匹配有缺陷的 OpenCV 的 <span><span>INTER_NEAREST</span></span> 插值算法。

NOTE

具体的使用方法：

from functools import partial
class test(nn.Module):
      #
      def __init__(self,in_ch,out_ch,scale_factor=0.5):
          super(test, self).__init__()
            #在搭建网络的类里面初始化
            self.downsample = partial(F.interpolate,scale_factor=scale_factor,      mode='area',recompute_scale_factor=True)
            # 注意关键字scale_factor 要与 recompute_scale_factor 搭配使用

      def forward(self, x):
          x = self.downsample(x)
          return x

recompute_scale_factor=True, 重新计算 scale_factor 以用于插值或下采样计算，

如果不设置该参数报错误：

# .../lib/python3.9/site-packages/torch/nn/functional.py:3502:
# UserWarning: The default behavior for interpolate/upsample with float scale_factor changed in 1.6.0 to align with other frameworks/libraries,and now uses scale_factor directly, instead of relying on the computed output size. If you wish to restore the old behavior,please set recompute_scale_factor=True. See the documentation of nn.Upsample for details.

5. 插值方法：

可以设置 scale_factor参数，最后输出的尺寸为原始尺寸*该参数，大于1便是插值，小于就是降采样。mode参数是插值算法类型。

Original: https://blog.csdn.net/weixin_44503976/article/details/126597180
Author: 两只蜡笔的小新
Title: torch.nn.interpolate—torch上采样和下采样操作

相关阅读

Title: PyTorch1.11.0 GPU版本安装（python3.8+pyTorch1.11.0，torch1.11.0+cu113 torchvision0.12.0+cu113）

目录

一、电脑相关信息

二、安装Pytorch1.11.0 GPU版本

1. 准备：新建虚拟环境

2. 安装pytorch v1.11.0：（在pytorch官网的历史版本里找安装命令）

电脑：win11 + 英伟达显卡（GeForce RTX 3090）+ Anaconda3-2021-05（python3.8.8）+ cuda11.6。

目标：安装gpu版本的PyTorch1.11.0（torch1.11.0/cu113 + torchvision0.12.0/cu113）

写在前面：由于需要安装较新gpu版本的pytorch（感觉显卡越新，cuda版本越高，pytorch版本也需要越新，才能适配），于是再次安装pytorch。电脑里已经装好Anaconda3-2021-05（python3.8.8），电脑里的英伟达3090显卡适配的cuda最高版本为11.6，也已经装好cuda11.6。接下来，开始安装PyTorch1.11.0（torch1.11.0+cu113，torchvision0.12.0+cu113）~~~

一、电脑相关信息

1. nvidia-smi，可以看到驱动最高支持的cuda版本为11.6（CUDA Version：11.6）。

1. 电脑已经安装好cuda toolkit11.6。

下载地址：CUDA Toolkit Archive | NVIDIA Developer

下载好的exe压缩包（cuda_11.6.2_511.65_windows.exe）如下所示：

点击exe压缩包进行安装，安装路径选择默认的c盘默认路径。安装好之后可以看到：

二、安装Pytorch1.11.0 GPU版本

1. 准备：新建虚拟环境

1）首先安装Anaconda。（很简单，自行搜索）

2）其次在用Anaconda建一个虚拟环境。

1. conda create -n pytorch1.11.0 python=3.8 （pytorch1.11.0表示自己起的环境的名字。pytorch1.11.0要求python至少是3.7或者3.8，python3.6不行不支持，所以此处不能写python=3.6，此处我选择python=3.8。）
2. conda activate pytorch1.11.0 （激活虚拟环境）

2. 安装pytorch v1.11.0：（在pytorch官网的历史版本里找安装命令）

1）在上述PyTorch官网历史版本链接（ https://pytorch.org/get-started/previous-versions/）里面，找到v1.11.0的安装命令， 此处选择的是cuda11.3对应的PyTorch安装命令。如下图所示：

CUDA 11.3

pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 –extra-index-url https://download.pytorch.org/whl/cu113

2）安装pytorch v1.11.0（torch1.11.0+cu1113 ，torchvision0.12.0+cu113）

安装命令：

# CUDA 11.3
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113

3）测试：

可以看到torch和torchvision对应的版本：torch1.11.0+cu113 ，torchvision0.12.0+cu113

这样，pytorch v1.11.0 GPU版本（torch1.11.0+cu1113 ，torchvision0.12.0+cu113）就已经安装成功啦！

Original: https://blog.csdn.net/weixin_39450145/article/details/125669330
Author: weixin_39450145
Title: PyTorch1.11.0 GPU版本安装（python3.8+pyTorch1.11.0，torch1.11.0+cu113 torchvision0.12.0+cu113）