# interpolate¶

`paddle.fluid.layers.``interpolate`(input, out_shape=None, scale=None, name=None, resample='BILINEAR', actual_shape=None, align_corners=True, align_mode=1, data_format='NCHW')[源代码]

NEAREST：最近邻插值

BILINEAR：双线性插值

TRALINEAR：三线性插值

BICUBIC：双三次插值

align_corners和align_mode是可选参数，插值的计算方法可以由它们选择。

```scale 计算方法：

if align_corners = True && out_size > 1 :

scale_factor = (in_size-1.0)/(out_size-1.0)

else:

scale_factor = float(in_size/out_size)

Nearest neighbor interpolation:

if:
align_corners = False

input : (N,C,H_in,W_in)
output: (N,C,H_out,W_out) where:

H_out = H_in * scale_factor
W_out = W_in * scale_factor

else:
align_corners = True

input : (N,C,H_in,W_in)
output: (N,C,H_out,W_out) where:

H_out = round(H_in * scale_factor)
W_out = round(W_in * scale_factor)

Bilinear interpolation:

if:
align_corners = False , align_mode = 0

input : (N,C,H_in,W_in)
output: (N,C,H_out,W_out) where:

H_out = (H_in+0.5) * scale_factor - 0.5
W_out = (W_in+0.5) * scale_factor - 0.5

else:

input : (N,C,H_in,W_in)
output: (N,C,H_out,W_out) where:

H_out = H_in * scale_factor
W_out = W_in * scale_factor

Bicubic interpolation:

if:
align_corners = False

input : (N,C,H_in,W_in)
output: (N,C,H_out,W_out) where:

H_out = (H_in+0.5) * scale_factor - 0.5
W_out = (W_in+0.5) * scale_factor - 0.5

else:

input : (N,C,H_in,W_in)
output: (N,C,H_out,W_out) where:

H_out = H_in * scale_factor
W_out = W_in * scale_factor

Trilinear interpolation:

if:
align_corners = False , align_mode = 0

input : (N,C,D_in,H_in,W_in)
output: (N,C,D_out,H_out,W_out) where:

D_out = (D_in+0.5) * scale_factor - 0.5
H_out = (H_in+0.5) * scale_factor - 0.5
W_out = (W_in+0.5) * scale_factor - 0.5

else:

input : (N,C,D_in,H_in,W_in)
output: (N,C,D_out,H_out,W_out) where:

D_out = D_in * scale_factor
H_out = H_in * scale_factor
W_out = W_in * scale_factor
```

## 参数¶

• input (Variable) - 4-D或5-D Tensor，数据类型为float32、float64或uint8，其数据格式由参数 `data_format` 指定。
• out_shape (list|tuple|Variable|None) - 输出Tensor，输入为4-D Tensor时，形状为 :math: (out_h, out_w) 的2-D Tensor。输入为5-D Tensor时，形状为(out_d, out_h, out_w)的3-D Tensor。如果 `out_shape` 是列表，每一个元素可以是整数或者形状为[1]的变量。如果 `out_shape` 是变量，则其维度大小为1。默认值为None。
• scale (float|Variable|None)-输入的高度或宽度的乘数因子 。 out_shape和scale至少要设置一个。out_shape的优先级高于scale。默认值为None。
• name (str|None) - 该参数供开发人员打印调试信息时使用，具体用法请参见 Name 。默认值为None。
• resample (str) - 插值方法。支持‘BILINEAR’, ‘TRILINEAR’ , ‘BICUBIC’ and ‘NEAREST’ 。默认值为‘BILINEAR’。
• actual_shape (Variable) - 可选输入，用于动态指定输出形状。如果指定actual_shape，图像将根据给定的形状调整大小，而不是根据指定形状的 `out_shape``scale` 进行调整。也就是说， `actual_shape` 具有最高的优先级。如果希望动态指定输出形状，建议使用 `out_shape` ，因为 `actual_shape` 未来将被弃用。在使用actual_shape指定输出形状时，还需要设置out_shape和scale之一，否则在图形构建阶段会出现错误。默认值:None
• align_corners （bool）- 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。 默认值为True
• align_mode （int）- 双线性插值的可选项。 可以是 '0' 代表src_idx = scale *（dst_indx + 0.5）-0.5；如果为'1' ，代表src_idx = scale * dst_index。
• data_format （str，可选）- 指定输入的数据格式，输出的数据格式将与输入保持一致。对于4-D Tensor，支持 NCHW(num_batches, channels, height, width) 或者 NHWC(num_batches, height, width, channels)，对于5-D Tensor，支持 NCDHW(num_batches, channels, depth, height, width)或者 NDHWC(num_batches, depth, height, width, channels)，默认值：'NCHW'。

## 返回¶

4-D Tensor，形状为 (num_batches, channels, out_h, out_w) 或 (num_batches, out_h, out_w, channels)；或者5-D Tensor，形状为 (num_batches, channels, out_d, out_h, out_w) 或 (num_batches, out_d, out_h, out_w, channels)。

## 抛出异常¶

• `TypeError` - out_shape应该是一个列表、元组或变量。
• `TypeError` - actual_shape应该是变量或None。
• `ValueError` - image_resize的"resample"只能是"BILINEAR"或"TRILINEAR"或"NEAREST"或"BICUBIC"。
• `ValueError` - out_shape 和 scale 不可同时为 None。
• `ValueError` - out_shape 的长度必须为2如果输入是4D张量。
• `ValueError` - out_shape 的长度必须为3如果输入是5D张量。
• `ValueError` - scale应大于0。
• `TypeError` - align_corners 应为bool型。
• `ValueError` - align_mode 只能取 ‘0’ 或 ‘1’。
• `ValueError` - data_format 只能取 ‘NCHW’、‘NHWC’、‘NCDHW’ 或者 ‘NDHWC’。

## 代码示例¶

```#declarative mode
import numpy as np
input = fluid.data(name="input", shape=[None,3,6,10])
# example 1
output = fluid.layers.interpolate(input=input,out_shape=[12,12])
# example 2
# x = np.array([2]).astype("int32")
# dim1 = fluid.data(name="dim1", shape=[1], dtype="int32")
# fluid.layers.assign(input=x, output=dim1)
# output = fluid.layers.interpolate(input=input,out_shape=[12,dim1])
# example 3
# x = np.array([3,12]).astype("int32")
# shape_tensor = fluid.data(name="shape_tensor", shape=[2], dtype="int32")
# fluid.layers.assign(input=x, output=shape_tensor)
# output = pfluid.layers.interpolate(input=input,out_shape=shape_tensor)
# example 4
# x = np.array([0.5]).astype("float32")
# scale_tensor = fluid.data(name="scale", shape=[1], dtype="float32")
# fluid.layers.assign(x,scale_tensor)
# output = fluid.layers.interpolate(input=input,scale=scale_tensor)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
input_data = np.random.rand(2,3,6,10).astype("float32")
output_data = exe.run(fluid.default_main_program(),
feed={"input":input_data},
fetch_list=[output],
return_numpy=True)
print(output_data[0].shape)
# example 1
# (2, 3, 12, 12)
# example 2
# (2, 3, 12, 2)
# example 3
# (2, 3, 3, 12)
# example 4
# (2, 3, 3, 5)

#imperative mode