tf.image.resize_bilinear tensorflow 转pytorch

最新推荐文章于 2024-02-23 11:04:38 发布
最新推荐文章于 2024-02-23 11:04:38 发布
阅读量1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： python 姿态估计 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sunnyblogs/article/details/113407387
该博客探讨了如何在TensorFlow的resize_bilinear操作与PyTorch之间进行转换。内容包括理解TensorFlow的resize_bilinear函数，其参数如images、size和align_corners的作用，以及在PyTorch中使用相同功能的方法，主要涉及input、size和mode等选项。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

tf.image.resize_bilinear(
    images,
    size,
    align_corners=False,
    name=None
)

images：Tensor,4维的并且具有形状[batch, height, width, channels].
size：2个元素(new_height, new_width)的1维int32张量,用来表示图像的新大小.
align_corners：可选的bool,默认为False；如果为True,则输入和输出张量的4个角像素的中心对齐,并且保留角落像素处的值.
name：操作的名称(可选).
tensorflow中地这个语言实现了图片地resize，采用双线性插值地方法，对应pytorch中语言为：

最低0.47元/天 解锁文章
使用TensorFlow进行图像处理
cchangcs
01-27 4970
TensorFlow学习（使用TensorFlow进行图像处理）一、图片的放大缩小在使用TensorFlow进行图片的放大缩小时，有三种方式： 1、tf.image.resize_nearest_neighbor（）:临界点插值 2、tf.image.resize_bilinear(）：双线性插值 3、tf.image.resize_bicubic(）：双立方插值算法下面是示例代码：# enc
IA-SEG项目中DIAL-Filters（IAPM模块+LGF模块）使用解读
a486259的博客
09-02 5222
CNN-PP模块为DIP模块优化图像提供filter参数，其本质是一个简洁的卷积神经网络，其输入部分为低分辨的原始图，其输出为DIP模块的优化参数。在IA-SEG中，CNN-PP模块的参数（预测4个filter参数，278K）比在IA-YOLO（预测15个filter参数，165k）要多。注：IA-SEG与IA-YOLO均为同一作者实现DIF模块全程Differentiable Image Filters，其由几个具有可调超参数的可微滤波器组成，包括曝光度、伽玛度、对比度和锐度。
compact bilinear pooling(tensorflow版本)
08-23
compact bilinear pooling(tensorflow版本)，可用于细粒度分类，特征融合
tensorflow的resize_images和pytorch的interpolate
weixin_40128276的博客
03-19 2905
最近在tensorflow v1和pytorch都有写。 里面有写函数具有相同功能。 现在的主要需求是把语音的mel谱tile hopsize倍，但是希望能平滑一些。 推荐2个函数，一个是tensorflow的tf.image.resize_images 一个是pytorch的torch.nn.functional.interpolate 输入都是4维的数据，所以在送进去之前我都进行过e...
TensorFlow函数：tf.image.resize_bilinear
weixin_42675603的博客
11-26 2735
TensorFlow函数：tf.image.resize_bilinear tf.image.resize_bilinear函数 tf.image.resize_bilinear( images, size, align_corners=False, name=None ) 使用双线性插值调整images为size. 输入图像可以是不同的类型,但输出图像总是浮点型...
双线性池化（Bilinear pooling）tensorflow版
08-23
双线性池化（Bilinear pooling）tensorflow版，可以用于细粒度分类
tf.image.resize（双线性插值）功能复现（python）
qq_41703793的博客
03-24 8177
双线性插值方法对tensorflow中的resize进行复现（基于python）
PyTorch源码解读（二）torchvision.transforms
sinat_42239797的博客
06-27 5392
PyTorch框架中有一个非常重要且好用的包：torchvision，该包主要由3个子包组成，分别是：torchvision.datasets、torchvision.models、torchvision.transforms。这3个子包的具体介绍可以参考官网：https://pytorch.org/docs/master/torchvision/index.html 这篇博客介绍torchvis...
YOLOv5-4.0-torch_utils.py 源代码导读
weixin_42716570的博客
01-17 3524
YOLOv5介绍 YOLOv5为兼顾速度与性能的目标检测算法。笔者将在近期更新一系列YOLOv5的代码导读博客。YOLOv5为2021.1.5日发布的4.0版本。 YOLOv5开源项目github网址 本博客导读的代码为utils文件夹下的torch_utils.py文件，更新日期为2021.1.10. torch_utils.py 该文件为基于pytorch的一些实用工具的编写。相关导入模块及对应说明如下所示： import logging #日志功能生成模块 import math #以下为torc
tf.image.resize_images坑点
qq_34009929的博客
10-21 817
上上周，我在一个项目上线前对模型进行测试时出现了问题，这个问题困扰了我近两周，终于找到了问题根源，做个简短总结分享给你，希望对大家有帮助。 问题描述： 线上线下测试结果不一致，且差异很大 具体来说， 线下测试直接load由ckpt存储的模型，然后使用cv进行数据预处理，然后评估测试集上的准召，一切正常。 线上测试时，首先使用tf.image相关函数将预处理写死在模型中，将ckpt模型转为savemodel格式，然后使用tf-serving部署后，发送请求进行线上实测，此时和线下测试结果差异较大。 问
ResizeBilinear与torch.nn.Upsample输出差异情况下，如何实现对torch.nn.Upsample的ms算子转化
xi_xiyu的博客
11-09 692
可以暂时把报错（raise ValueError(f"Currently `half_pixel_centers`=True only support in Ascend device_target, "）对应的校验device_target代码删掉就可以了，在nn_ops.py文件里的 ResizeBilinear类的__init__方法里。你可以设置ResizeBilinear的参数，nn.ResizeBilinear(half_pixel_centers=True)，结果应该就一致了。
PyTorch概述（一）---图像变换和增强
newsymme的博客
02-23 1314
这些是低级别的函数实现核心的功能用于特定的类型，比如：resize_bounding_boxes和resized_crop_mask;torchvision.transforms.v2.functional命名空间也包含称为kernel的对象；
Pytorch复习笔记--torch.nn.functional.interpolate()和cv2.resize()的使用与比较
牵一只蜗牛去散步
02-14 3733
Pytorch 提供了一个类似于 cv2.resize() 的采样函数，即 torch.nn.functional.interpolate()，支持最近邻插值（nearest）和双线性插值（bilinear）等功能，通过设置合理的插值方式可以取得与 cv2.resize() 函数完全一样的效果。上面两个测试代码的结果表明，在采取相同插值方式的前提下，torch.nn.functional.interpolate() 和 cv2.resize() 两个方法的功能是完全等价的，处理后的数据相同；
pytorch中的nn.Bilinear的计算原理详解
nihate的专栏
05-23 1万+
我们都知道在pytorch中的nn.Linear表示线性变换，官方文档给出的数学计算公式是 y = xA^T + b，其中x是输入，A是权值，b是偏置，y是输出，卷积神经网络中的全连接层需要调用nn.Linear就可以实现。而在看pytorch的源码linear.py文件时可以看到里面有Bilinear的定义，起初看到这个名字，大家会以为它是实现对图像做放大的上采样插值，可是在pytorch中有n...
Tensorflow2 之双线性插值 tf.image.resize
Burt3的博客
08-29 3618
tf.image.resize与pytorch中的nn.Upsampling的爱恨情愁 一直在使用tensorflow2搭建网络，之前没有涉及过Unet这种结构，或是即使涉及也没有仔细研究，最近恰好在做Unet网络的改进才发现，要想对于Unet输入任意尺寸的图像，还是存在一定问题的，就是下采样后的特征能否通过上采样恢复到原始分辨率，这里试举一个例子，原始输入是8x8的图像块，通过一个kernel size为3，stride为2的卷积层，same padding，这时的输出尺寸为H_new = [(H-ker
PyTorch 学习笔记（三）：transforms的二十二个方法
热门推荐
人工智能技术学习与分享
12-26 5万+
号外：20万字的《PyTorch实用教程》（第二版）于 2024 年 4 月开源了！号外：20万字的《PyTorch实用教程》（第二版）于 2024 年 4 月开源了！号外：20万字的《PyTorch实用教程》（第二版）于 2024 年 4 月开源了！在第一版的基础上，融入。此外，针对技术落地的关键环节，还深入讲解了的应用，铺平工程部署的道路。愿 20 万字的教程助力每位读者更上一层楼！
Tensorflow2中tf.image.resize函数的bug，以及解决办法
kill2013110的博客
03-23 2691
解决办法：使用tf.compat.v1.image.resize_bilinear替换 这个bug之前在这里有人提到过，自己之前也遇到过，但是是用补救的方法解决的，这次是在准备训练EAST文本检测网络时又遇到了，记录一下解决过程。 关于EAST， github有tf1-keras的已训练好的h5权重，为了能在win系统的tf2上快乐高效地训练，我按照keras2.3.1的resnet50层命名风格重建了EAST网络，这样在tf2（keras=2.4.0）上就能完美加载tf1的权重了。 在tf1中，EAST的
在pytorch中的双线性采样（Bilinear Sample）
机器学习杂货铺1号店
09-22 6328
在pytorch中的双线性采样（Bilinear Sample） FesianXu 2020/09/16 at UESTC 前言 双线性插值与双线性采样是在图像插值和采样过程中常用的操作，在pytorch中对应的函数是torch.nn.functional.grid_sample，本文对该操作的原理和代码例程进行笔记。如有谬误，请联系指正，转载请联系作者并注明出处，谢谢。 ∇\nabla∇ 联系方式： e-mail: FesianXu@gmail.com QQ: 973926198 ...
第第3关：数据增强 300 学习内容 参考答案 记录 评论 任务描述 相关知识 随机翻转 随机缩放 随机裁剪 编程要求 测试说明 任务描述 本关任务：独立完成前面关卡的小伙伴，相信你们会读取数据并对数据做归一化处理。但是这远远不够，你需要通过数据增强技术来增加数据的多样性。在本关中，你将要实现数据增强中的随机翻转和随机缩放功能。 相关知识 为了完成本关任务，你需要掌握：1. 随机翻转； 2. 随机缩放； 3. 随机裁剪。 随机翻转 水平翻转: 左右翻转，将左边的像素点放在右边，将右边的像素点放在左边。如下图所示: 垂直翻转：上下翻转，将上边的像素点放在下边，将下边的像素点放在上边，如下图所示: Image模块中包含图像的水平翻转和垂直翻转等操作。 # 水平翻转 out = im.transpose(Image.FLIP_LEFT_RIGHT) # 垂直翻转 out = im.transpose(Image.FLIP_TOP_BOTTOM) 随机缩放 缩放：对图片随机进行不同比例大小的缩放 随机裁剪 以固定尺寸裁剪图像，但是每次裁剪的图像内容不同。 在pytorch中，实现随机裁剪的是RandomCrop类。定义如下： torchvision.transforms.RandomCrop(size, padding=None, pad_if_needed=False, fill=0, padding_mode='constant') size:裁剪尺寸 padding:在裁剪之前，是否对图像进行填充，可以填充图像的左、上、右、下。 pad_if_needed：如果图像小于所需大小，它将填充图像以避免引发异常。 fill :用于恒定填充的像素填充值。 padding_mode :指定填充模式，填充模式有:constant、edge、reflect、symmetric。 示例如下: import torchvision.transforms as tf import torch MyTransfrom = tf.RandomCrop([224,224]) input = torch.randn(3, 256, 256) output = MyTransfrom(input) 编程要求 根据提示，在右侧编辑器补充Begin-End段中的代码,你所需要完成的功能是: 完成随机水平翻转 完成缩放 完成裁剪 将增强后的图像保存至 ./train-2/Imgs/Test/Pass3/img_aug.png 测试说明 平台会对你编写的代码进行测试： 测试输入： 预期输出： 数据增强成功！ 开始你的任务吧，祝你成功！# 导入库 import torchvision.transforms as tf import torch from PIL import Image, ImageOps import random # 随机翻转和随机缩放 class MyCoTransform(object): def __init__(self, augment=True, base_size=320, scale=True,crop = True): self.scale = scale self.augment = augment self.base_size = base_size self.crop = crop def __call__(self, input): ''' :param input: 图片 :return: ''' if (self.augment): # Random hflip random.seed(1) if random.random() < 0.5: # 请在此添加你的代码实现左右翻转 # ********** Begin *********# input = # ********** End **********# # 随机缩放 if self.scale: # 请在此添加你的代码实现缩放，缩放比例为0.75-2.0 # ********** Begin *********# short_size = # ********** End **********# else: short_size = self.base_size w, h = input.size if h > w: ow = short_size oh = int(1.0 * h * ow / w) else: oh = short_size ow = int(1.0 * w * oh / h) input = input.resize((ow, oh), Image.BILINEAR) # 随机裁剪 if self.crop: # 请在此添加你的代码实现随机裁剪，裁剪大小为224x224 # ********** Begin *********# input = # ********** End **********# w, h = input.size # 请在此添加你的代码存储图片 # ********** Begin *********# # ********** End **********#
最新发布
05-28
可能需要使用cv2.resize函数，或者结合仿射变换进行更复杂的缩放。3.随机裁剪：随机确定裁剪区域的位置和大小。例如，在原始图像中随机选取一个起始点(x,y)，然后根据随机生成的宽度和高度截取区域。需要确保裁剪...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值