[一起学习pytorch吧]之grid_sample函数

torch.nn.functional.grid_sample(input, grid, mode='bilinear', padding_mode='zeros', align_corners=None)

给定input和流场grid，利用input值和grid中的像素位置计算output。

在空间（4-D）的例子中，当input为，grid为时，output为。

对于每个output位置，向量 确定了input的像素位置x和y，这用于对output值进行插值。在5D输入的情况中， 确定了用于插值输出的x,y,z像素位置。mode参数用于确定使用的是最近邻插值还是双线性插值来采样输入像素。

grid指定由input空间维度归一化的采样像素位置。因此，它的大部分值应该在的范围内。举个例子，是input的左上角像素，是input的右下角像素。

如果grid有值超过上述范围，相关的输出由padding_mode来定义。选项如下：

• padding_mode="zeros"：超过边界的网格位置记为0,
• padding_mode="dorder"：超过边界的网格位置记为边界值，
• padding_mode="reflection"：超过边界的网格位置记为边界的反映。对于距离边界很远的位置，它将会保持被反映，直到进入边界，比如，（归一化）像素位置由边界-1反映，然后变为，然后由边界1来反映，并变为。（这里是-0.5吗？为什么我觉得是0.5）

注：该函数常常配合affine_grid()函数使用，从而构建Spatial Transformer Networks。

参数：

• input（Tensot）—形状为（4D情况）或（5D情况）的输入
• grid（Tensor）—形状为（4D情况）或（5D情况）的流场
• mode（str）—用于计算输出值的插值模式：‘bilinear’或‘nearest’。默认值为‘bilinear’
• padding_mode（str）—外围网格值的填充模式：‘zeros’或‘border’或‘reflection’。默认值为‘zeros’
• align_corners（bool，可选的参数）—在几何上，我们将输入的像素考虑为正方形而不是点。如果设为True，极值（-1和1）为输入角点像素的中心点。如果设为False，则为输入角点像素的角点，从而使采样更不确定分辨率。此选项与intrpolate()中的align_corners选项平行，因此在网格采样之前，此处使用的选项也应该被用于重设输入图像的大小。默认值：False。

返回值： output Tesnor

返回值类型：output（Tensor）