grid_sample¶

paddle.nn.function.grid_sample(x, grid, mode='bilinear', padding_mode='zeros', align_corners=True, name=None):

该OP基于flow field网格的对输入X进行双线性插值采样。网格通常由affine_grid生成, shape为[N, H, W, 2]，是shape为[N, H, W]的采样点张量的(x, y)坐标。 其中，x坐标是对输入数据X的第四个维度(宽度维度)的索引，y坐标是第三维度(高维度)的索引，最终输出采样值为采样点的4个最接近的角点的双线性插值结果，输出张量的shape为[N, C, H, W]。

step 1：

得到(x, y)网格坐标，缩放到[0,h -1/W-1]

grid_x = 0.5 * (grid[:, :, :, 0] + 1) * (W - 1) grid_y = 0.5 * (grid[:, :, :, 1] + 1) * (H - 1)

step 2：

在每个[H, W]区域用网格(X, y)作为输入数据X的索引，并将双线性插值点值由4个最近的点表示。

  wn ------- y_n ------- en
  |           |           |
  |          d_n          |
  |           |           |
 x_w --d_w-- grid--d_e-- x_e
  |           |           |
  |          d_s          |
  |           |           |
  ws ------- y_s ------- wn

x_w = floor(x)              // west side x coord
x_e = x_w + 1               // east side x coord
y_n = floor(y)              // north side y coord
y_s = y_s + 1               // south side y coord
d_w = grid_x - x_w          // distance to west side
d_e = x_e - grid_x          // distance to east side
d_n = grid_y - y_n          // distance to north side
d_s = y_s - grid_y          // distance to south side
wn = X[:, :, y_n, x_w]      // north-west point value
en = X[:, :, y_n, x_e]      // north-east point value
ws = X[:, :, y_s, x_w]      // south-east point value
es = X[:, :, y_s, x_w]      // north-east point value


output = wn * d_e * d_s + en * d_w * d_s
       + ws * d_e * d_n + es * d_w * d_n

参数：

• x (Tensor): 输入张量，维度为 \([N, C, H, W]\) 的4-D Tensor，N为批尺寸，C是通道数，H是特征高度，W是特征宽度, 数据类型为float32或float64。

• grid (Tensor): 输入网格数据张量，维度为 \([N, H, W, 2]\) 的4-D Tensor，N为批尺寸，C是通道数，H是特征高度，W是特征宽度, 数据类型为float32或float64。

• mode (str, optional): 插值方式，可以为 'bilinear' 或者 'nearest'. 默认值：'bilinear'。

• padding_mode (str, optional) 当原来的索引超过输入的图像大小时的填充方式。可以为 'zeros', 'reflection' 和 'border'. 默认值：'zeros'。

• align_corners (bool, optional): 一个可选的bool型参数，如果为True，则将输入和输出张量的4个角落像素的中心对齐，并保留角点像素的值。 默认值：True。

• name (str，可选) – 具体用法请参见 Name ，一般无需设置。默认值：None。

返回： 输入X基于输入网格的双线性插值计算结果，维度为 \([N, C, H, W]\) 的4-D Tensor

返回类型：变量(Tensor)，数据类型与 x 一致

代码示例：

import paddle
import paddle.nn.functional as F
import numpy as np

# shape=[1, 1, 3, 3]
x = np.array([[[[-0.6,  0.8, -0.5],
                [-0.5,  0.2,  1.2],
                [ 1.4,  0.3, -0.2]]]]).astype("float64")

# grid shape = [1, 3, 4, 2]
grid = np.array(
              [[[[ 0.2,  0.3],
                [-0.4, -0.3],
                [-0.9,  0.3],
                [-0.9, -0.6]],
                [[ 0.4,  0.1],
                [ 0.9, -0.8],
                [ 0.4,  0.5],
                [ 0.5, -0.2]],
                [[ 0.1, -0.8],
                [-0.3, -1. ],
                [ 0.7,  0.4],
                [ 0.2,  0.8]]]]).astype("float64")


x = paddle.to_tensor(x)
grid = paddle.to_tensor(grid)
y_t = F.grid_sample(
    x,
    grid,
    mode='bilinear',
    padding_mode='border',
    align_corners=True)
print(y_t)

# output shape = [1, 1, 3, 4]
# [[[[ 0.34   0.016  0.086 -0.448]
#    [ 0.55  -0.076  0.35   0.59 ]
#    [ 0.596  0.38   0.52   0.24 ]]]]