PyTorch视觉工具箱：图像变换与上采样技术详解（1）

发布时间：2024年01月19日

Pytorch中Vision functions详解

pixel_shuffle

用途

Pytorch中Vision functions详解

pixel_shuffle

torch.nn.functional.pixel_shuffle 是 PyTorch 中一个用于调整图像张量分辨率的函数。下面我会详细介绍这个模块的用途、用法、使用技巧、注意事项、参数以及数学理论公式。同时，我会提供一个使用示例代码，并将输出结果作为注释添加在代码中。

用途

pixel_shuffle 主要用于超分辨率图像重建领域，可以将低分辨率图像通过上采样转换为高分辨率图像。这个过程通常在卷积神经网络中进行，网络输出的低分辨率、高通道数的图像通过 pixel_shuffle 重排成高分辨率、低通道数的图像。

用法

output = torch.nn.functional.pixel_shuffle(input, upscale_factor)

input：输入张量，其形状应为 (batch_size, channels * upscale_factor^2, height, width)
upscale_factor：空间分辨率提升因子

使用技巧

确保 input 张量的通道数是 upscale_factor^2 的倍数，这是因为 pixel_shuffle 需要将这些通道重新排列到空间维度。
用于超分辨率的网络设计时，最后一个卷积层的输出通道数应设置为目标通道数乘以 upscale_factor^2。

注意事项

input 的形状和 upscale_factor 必须正确匹配，否则会出现错误。
upscale_factor 必须是正整数。

参数

input (Tensor)：输入的张量。
upscale_factor (int)：用于提高空间分辨率的因子。

数学理论公式

假设输入张量的形状为 $(*,C\times r^{2},H,W)$ ?，其中C是通道数，H和W是高度和宽度，r是放大因子。pixel_shuffle 会将这个张量重新排列为? $(*,C,H\times r,W\times r)$ ?。

公式表示为：

$output(n,c,h,w)=input(n,cr^{2}+rh_{mod}+w_{mod},h_{div},w_{div})$

其中，

n 是批量大小。
c 是通道索引。
?,w 是高度和宽度索引。
?_div=??/r??
w_div=?w/r??
?_mod=? mod r
w_mod=w?mod r

示例代码及输出?

import torch
import torch.nn.functional as F

# 输入张量
input = torch.randn(1, 9, 4, 4)  # 随机生成一个张量
upscale_factor = 3  # 放大因子

# 使用 pixel_shuffle
output = F.pixel_shuffle(input, upscale_factor)

# 打印输出尺寸
print(output.size())  # 输出：torch.Size([1, 1, 12, 12])

这段代码展示了如何使用 pixel_shuffle 将一个形状为 [1, 9, 4, 4] 的张量重排为 [1, 1, 12, 12]。这里 9 是原始通道数，3 是放大因子（upscale_factor），输出张量的通道数变为 1，而高度和宽度各增加了 3 倍。?

pixel_unshuffle

torch.nn.functional.pixel_unshuffle 是 PyTorch 中用于执行与 pixel_shuffle 相反操作的函数。它通过重新排列元素来降低张量的空间分辨率。下面我将详细介绍这个函数的用途、用法、使用技巧、注意事项、参数及其数学理论公式，并提供一个代码示例。

用途

pixel_unshuffle 主要用于将高分辨率、低通道数的图像转换为低分辨率、高通道数的图像。这在某些图像处理任务中非常有用，比如降采样或特征图的空间压缩。

用法

output = torch.nn.functional.pixel_unshuffle(input, downscale_factor)

input：输入张量，其形状应为 (batch_size, channels, height * r, width * r)
downscale_factor：空间分辨率降低因子，即 r

使用技巧

input 张量的高度和宽度应该是 downscale_factor 的整数倍，以确保正确的降采样。
通常与 pixel_shuffle 成对使用，以进行图像的上采样和下采样。

注意事项

输入张量的形状和 downscale_factor 必须匹配，以避免尺寸不一致的错误。
downscale_factor 应该是一个正整数。

参数

input (Tensor)：输入的张量。
downscale_factor (int)：用于降低空间分辨率的因子。

数学理论公式

假设输入张量的形状为? $(*,C,H\times r,W\times r)$ ?其中 C 是通道数，H 和 W 是高度和宽度，r 是降采样因子。pixel_unshuffle 将这个张量重新排列为? $(*,C\times r^{2},H,W)$

公式表示为：

$output(n,cr^{2}+rh_{mod}+w_{mod},h_{div},w_{div})=input(n,c,h,w)$

示例代码及输出

import torch
import torch.nn.functional as F

# 输入张量
input = torch.randn(1, 1, 12, 12)  # 随机生成一个张量
downscale_factor = 3  # 降采样因子

# 使用 pixel_unshuffle
output = F.pixel_unshuffle(input, downscale_factor)

# 打印输出尺寸
print(output.size())  # 输出：torch.Size([1, 9, 4, 4])

这段代码展示了如何使用 pixel_unshuffle 将一个形状为 [1, 1, 12, 12] 的张量重排为 [1, 9, 4, 4]。这里的 1 是原始通道数，3 是降采样因子（downscale_factor），输出张量的通道数变为 9，而高度和宽度各减少了 3 倍。?

pad

据给定的参数在张量的不同维度上添加填充。下面是关于这个函数的详细说明，包括用途、用法、使用技巧、注意事项、参数以及代码示例。

用途

pad 函数主要用于在张量的边缘添加填充。这在图像处理、信号处理、序列建模等领域常见，用于调整数据的形状或尺寸，或为卷积操作预处理数据。

用法

output = torch.nn.functional.pad(input, pad, mode='constant', value=0)

input：N维的输入张量。
pad：一个长度为m的元组，指定每个维度的填充大小。m的值必须是2的倍数，且不超过输入张量的维数的两倍。
mode：指定填充模式，可以是 'constant'（常数填充）、'reflect'（反射填充）、'replicate'（复制填充）或 'circular'（循环填充）。默认为 'constant'。
value：在 constant 模式下的填充值。默认为0。

使用技巧

选择合适的 pad 元组大小，确保填充操作符合预期。
在使用 'reflect'、'replicate' 或 'circular' 模式时，了解不同模式的具体行为，选择最适合应用场景的填充方式。

注意事项

当使用 CUDA 后端时，这个操作在其反向传播中可能会产生不确定行为，这可能会影响结果的可重现性。

参数

input (Tensor)：N维输入张量。
pad (tuple)：m元素元组，其中 m/2 <=? 输入维度且m为偶数。
mode：填充模式，可选 'constant'、'reflect'、'replicate' 或 'circular'。默认为 'constant'。
value：在 'constant' 模式下的填充值。默认为0。

示例代码

import torch
import torch.nn.functional as F

# 示例张量
t4d = torch.empty(3, 3, 4, 2)

# 示例1：只填充最后一个维度
p1d = (1, 1)  # 每边填充1
out = F.pad(t4d, p1d, "constant", 0)  # 常数填充
print(out.size())  # 输出：torch.Size([3, 3, 4, 4])

# 示例2：填充最后两个维度
p2d = (1, 1, 2, 2)  # 最后一个维度每边填充1，倒数第二个维度每边填充2
out = F.pad(t4d, p2d, "constant", 0)
print(out.size())  # 输出：torch.Size([3, 3, 8, 4])

# 示例3：填充最后三个维度
p3d = (0, 1, 2, 1, 3, 3)  # 分别填充 (0, 1), (2, 1), (3, 3)
out = F.pad(t4d, p3d, "constant", 0)
print(out.size())  # 输出：torch.Size([3, 9, 7, 3])

这些代码示例展示了如何使用不同的 pad 参数来在不同的维度上添加填充。通过调整 pad 元组，可以灵活地控制每个维度的填充大小。

interpolate

torch.nn.functional.interpolate 是 PyTorch 中用于对张量进行上采样或下采样的函数。它能够改变输入张量的大小，通过指定的大小或缩放因子。下面是这个函数的详细说明，包括用途、用法、使用技巧、注意事项和参数。

用途

interpolate 函数主要用于改变张量的空间尺寸。它在图像和视频处理中非常有用，例如改变图像的分辨率或调整网络中特征图的大小。

用法

output = torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None, antialias=False)

input：输入张量。
size：输出的空间尺寸。可以是一个整数或包含几个整数的元组。
scale_factor：空间尺寸的乘数。如果是元组，其长度必须与空间维度数匹配；input.dim() - 2。
mode：用于上采样的算法，可选项包括 'nearest', 'linear', 'bilinear', 'bicubic', 'trilinear', 'area', 'nearest-exact'。
align_corners：当使用 'linear', 'bilinear', 'bicubic', 'trilinear' 时，此参数决定了输入和输出张量如何对齐。
recompute_scale_factor：是否重新计算用于插值计算的缩放因子。
antialias：是否应用抗锯齿。适用于 'bilinear', 'bicubic' 模式。

使用技巧

选择合适的 mode 来获得所需的插值效果。
当使用 'linear', 'bilinear', 'bicubic', 'trilinear' 时，合理设置 align_corners 参数。
如果需要精确控制输出尺寸，使用 size 参数；如果希望基于输入尺寸的相对变化，使用 scale_factor。

注意事项

使用 bicubic 模式时，可能会出现超调现象，即生成的值超出了图像数据的正常范围。
nearest-exact 模式与 Scikit-Image 和 PIL 的最近邻插值算法匹配，而 nearest 模式与 OpenCV 的 INTER_NEAREST 插值算法匹配。
对于 float16 类型的张量，在使用 CUDA 时，interpolate 操作的梯度可能不准确，特别是在使用 ['linear', 'bilinear', 'bicubic', 'trilinear', 'area'] 模式时。
在 CUDA 设备上，该操作可能会产生不确定的梯度。

示例代码

import torch
import torch.nn.functional as F

# 示例张量
input_tensor = torch.randn(1, 3, 24, 24)  # 假设这是一个图像批次

# 上采样示例
output = F.interpolate(input_tensor, scale_factor=2, mode='bilinear', align_corners=True)
print(output.size())  # 输出新尺寸

这段代码将输入张量的空间尺寸通过双线性插值上采样2倍。注意，由于 align_corners=True，输入和输出张量在角点对齐。?

torch.nn.functional.upsample 是 PyTorch 中用于对输入张量进行上采样的函数。不过，需要注意的是，这个函数已经被废弃，推荐使用 torch.nn.functional.interpolate 来替代。upsample 函数和 interpolate 函数在功能上是等效的。以下是关于 upsample 函数的详细说明，包括用途、用法、参数以及注意事项。

用途

upsample 用于上采样输入张量，即增加其空间维度的大小。这在图像处理、视频处理以及神经网络中改变特征图的尺寸等场景中非常有用。

用法

由于 upsample 已被废弃，以下用法适用于 interpolate 函数，它们在功能上是相同的：

output = torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None)

input：输入张量。
size：输出的空间尺寸。可以是一个整数或包含几个整数的元组。
scale_factor：空间尺寸的乘数。如果是元组，其长度必须与空间维度数匹配；input.dim() - 2。
mode：用于上采样的算法，可选项包括 'nearest', 'linear', 'bilinear', 'bicubic', 'trilinear'。
align_corners：决定输入和输出张量如何对齐的布尔值。

参数

input (Tensor)：输入张量。
size (int or Tuple[int])：输出的空间尺寸。
scale_factor (float or Tuple[float])：空间尺寸的乘数。
mode (str)：用于上采样的算法。
align_corners (bool, optional)：是否对齐输入和输出张量的角点。

注意事项

使用 bicubic 模式时，可能会出现超调现象，即生成的值超出了图像数据的正常范围。
当 align_corners=True 时，线性插值模式（如 'linear', 'bilinear', 'trilinear'）可能不会按比例对齐输入和输出像素，因此输出值可能依赖于输入尺寸。
在 CUDA 设备上，这个操作可能会产生不确定的梯度。

示例代码

import torch
import torch.nn.functional as F

# 示例张量
input_tensor = torch.randn(1, 3, 24, 24)  # 假设这是一个图像批次

# 上采样示例
output = F.interpolate(input_tensor, scale_factor=2, mode='bilinear', align_corners=True)
print(output.size())  # 输出新尺寸

?这段代码将输入张量的空间尺寸通过双线性插值上采样2倍。由于 align_corners=True，输入和输出张量在角点对齐。

总结

这些函数的使用依赖于精确的参数设置和对应用场景的理解。每个函数都有其独特的应用范围和参数要求，如填充大小、缩放因子、插值模式等。在使用这些函数时，重要的是要注意它们在不同模式和参数下的行为，以及它们如何影响最终的输出结果。这些视觉函数为处理图像和视频数据提供了灵活而强大的手段，从基本的像素操作到复杂的空间变换，都是现代计算机视觉和深度学习应用不可或缺的部分。

文章来源:https://blog.csdn.net/qq_42452134/article/details/135697829
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！