pytorch nearest upsample整数型tensor_upsample中的nearest模式是怎么算的-优快云博客

本文详细比较了如何用自定义模块实现与PyTorch原生Upsample类别相似的功能，特别关注nearest插值，并探讨了在确保模型可重复性方面的注意事项。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在用 torch.nn.Upsample 给分割 label 上采样时报错：RuntimeError: "upsample_nearest2d_out_frame" not implemented for 'Long'。

参考 [1-3]，用 [3] 给出的实现。稍微扩展一下，支持 h、w 用不同的 scale factor，并测试其与 PyTorch 的几个 upsample 类的异同，验证 [3] 的实现用 nearest 插值。

Code

linear 要 3D 输入、trilinear 要 5D 输入，故此两种插值法没比。

import torch
import torch.nn as nn


class UpsampleDeterministic(nn.Module):
    """deterministic upsample with `nearest` interpolation"""

    def __init__(self, scale_factor=2):
        """
        Input:
            scale_factor: int or (int, int), ratio to scale (along heigth & width)
        """
        super(UpsampleDeterministic, self).__init__()
        if isinstance(scale_factor, (tuple, list)):
            assert len(scale_factor) == 2
            self.scale_h, self.scale_w = scale_factor
        else:
            self.scale_h = self.scale_w = scale_factor
        assert isinstance(self.scale_h, int) and isinstance(self.scale_w, int)

    def forward(self, x):
        """
        Input:
            x: [n, c, h, w], torch.Tensor
        Output:
            upsampled x': [n, c, h * scale_h, w * scale_w]
        """
        return x[:, :, :, None, :, None].expand(
            -1, -1, -1, self.scale_h, -1, self.scale_w).reshape(
                x.size(0), x.size(1), x.size(2) * self.scale_h, x.size(3) * self.scale_w)


# 随机数据
x = torch.rand(2, 3, 4, 4) # [n, c, h, w]
# [3] 的实现
us_det = UpsampleDeterministic((2, 3))
# pytorch 自带的几种实现
us_list = {mode: nn.Upsample(scale_factor=(2, 3), mode=mode)
           for mode in ('nearest', 'bilinear', 'bicubic')}
# linear: 3D
# trilinear: 5D

y_det = us_det(x)
print(y_det.size())
for us_name, us in us_list.items():
    y = us(x)
    print(us_name, y.size(), (y_det != y).sum())

输出：

torch.Size([2, 3, 8, 12])
nearest torch.Size([2, 3, 8, 12]) tensor(0)
bilinear torch.Size([2, 3, 8, 12]) tensor(507)
bicubic torch.Size([2, 3, 8, 12]) tensor(576)

可见 [3] 的实现与 nearest 结果一致。