1--前言

??????? 博主在處理圖片尺度問(wèn)題時(shí)，習(xí)慣使用 cv2.resize() 函數(shù)；但當(dāng)圖片數(shù)據(jù)需用顯卡加速運(yùn)算時(shí)，數(shù)據(jù)需要在 GPU 和 CPU 之間不斷遷移，導(dǎo)致程序運(yùn)行效率降低；

??????? Pytorch 提供了一個(gè)類似于 cv2.resize() 的采樣函數(shù)，即 torch.nn.functional.interpolate()，支持最近鄰插值（nearest）和雙線性插值（bilinear）等功能，通過(guò)設(shè)置合理的插值方式可以取得與 cv2.resize() 函數(shù)完全一樣的效果。

2--代碼測(cè)試

??????? ① 最近鄰方法（'nearnest' 和 cv2.INTER_NEAREST）：

import torch
import cv2
import torch.nn.functional as F
import numpy as npinput_data1 = torch.randint(low = 0, high = 255, size = [40, 40, 3])
input_data2 = np.array(input_data1, dtype = np.uint8)input_data1 = input_data1.permute(2, 0, 1).unsqueeze(0).float() # [1, 3, 40, 40]
output_data1 = F.interpolate(input_data1, size = (224, 224), mode='nearest').float() # [1, 3, 224, 224]
output_data2 = cv2.resize(input_data2, dsize = (224, 224), interpolation=cv2.INTER_NEAREST) # [224, 224, 3]data1 = np.array(output_data1.squeeze(0).permute(1, 2, 0), dtype=np.uint8)
data2 = np.array(output_data2, dtype=np.uint8)print(data1 == data2)print("All done !")

????????② 雙線性插值方法（'bilinear' 和 cv2.INTER_LINEAR）：

import torch
import cv2
import torch.nn.functional as F
import numpy as npinput_data1 = torch.randint(low = 0, high = 255, size = [40, 40, 3])
input_data2 = np.array(input_data1, dtype = np.uint8)input_data1 = input_data1.permute(2, 0, 1).unsqueeze(0).float() # [1, 3, 40, 40]
output_data1 = F.interpolate(input_data1, size = (224, 224), mode='bilinear').float() # [1, 3, 224, 224]
output_data2 = cv2.resize(input_data2, dsize = (224, 224), interpolation=cv2.INTER_LINEAR) # [224, 224, 3]data1 = np.array(output_data1.squeeze(0).permute(1, 2, 0), dtype=np.uint8)
data2 = np.array(output_data2, dtype=np.uint8)print(data1 == data2)print("All done !")

上面兩個(gè)測(cè)試代碼的結(jié)果表明，在采取相同插值方式的前提下，torch.nn.functional.interpolate() 和 cv2.resize() 兩個(gè)方法的功能是完全等價(jià)的，處理后的數(shù)據(jù)相同；

3--相關(guān)補(bǔ)充

??????? ① 使用 torch.nn.functional.interpolate()的注意事項(xiàng)：

1. 插值方法（mode）與輸入數(shù)據(jù)的維度（minibatch, channels, [optional depth], [optional height], width）密切相關(guān)，目前支持的數(shù)據(jù)維度有以下幾種：

????????① 3D張量輸入：minibatch, channels, width;

??????? ② 4D張量輸入：minibatch, channels, height, width;

??????? ③ 5D張量輸入：minibatch, channels, depth, height, width;

2. 插值方法和輸入維度的關(guān)系如下：