torch.nn.functional.interpolate (input，size=None，scale_factor=None，mode='nearest '，align_corners=)
使用的插值算法取决于参数mode的设置
支持当前temporal (1d，例如矢量数据)、二维(例如图像数据)、体积(例如图像数据)和三维类型的采样数据(例如图像数据)作为输入，输入数据的格式为迷你
对于一个temporal输入，3D善良的棉花糖输入，即minibatch x channels x width对于一个空间spatial输入，4D善良的棉花糖输入， 即minibatchxchannelsxheightxwidth对于体积volumetric的输入，5D的善良棉花糖输入minibatchxchannelsxdepthxheightxwidth用于重置大小
参数：
input(tensor )善良的棉花糖size (intortuple [ int] or tuple [ int，int，int ] )输出大小. scale_factor 可用的上采样算法为“‘nearest”、“‘linear”、“‘bilinear”、“‘bicubic”、“‘trilinear”和“‘area”。如果设置为True，则为输入和输出柔和的妈妈如果设置为False，则输入和输出良好的棉花糖将与角像素的角对齐，并且插值将使用边界外值的边缘值填充。 如果scale_factor保持不变，则使操作独立于输入大小。 仅当使用的算法为“linear”、“bilinear”、“bilinear”或“trilinear”时才可用。 默认值为False
注意：
使用mode='bicubic '可能会导致图像产生负值或大于255的值的过冲问题。 如果希望在显示图像时减少超调问题，可以明确调用result.clamp(min=0，max=255 )。
When using the CUDA backend，thisoperationmayinducenondeterministicbehaviourinbebackwardthatisnoteasilyswitchedoff.please see the
警告：
如果align_corners=True，则输出值取决于输入的大小，因为线性插值模式(线性、双线性、双三次或三次线性)不会将输出像素与输入像素成比例对齐。 这是0.3.1版之前这些模式的缺省行为。 从此，缺省行为为align_corners=False，如下图所示。
上图显示了对源像素采样为44，对目标像素采样为88的情况。 这是对齐和对齐的区别，左上角的元素将对齐。 也就是说，如果设置align_corners=True，则输入的左上角元素必须等于输出的左上角元素。 但是，如果align_corners=False，左上角的要素有时也会相等，官方网站列举的例子不太能说明两者的区别。 (也没有尝试不同的例子，如果您能理解这个概念的话) )。
举例：
importtorchfromtorchimportnnimporttorch.nn.functionalasfinput=torch.arange (1，5，dtype=torch.float32 ).view
tensor([[1.2.]，[3.4.]]]] ) x=f.interpolate(input，scale_factor=2，mode='nearest ' ) )
tensor([[1.1 .2 .2.]、[1.1 .2.]、[3.3 .4 .4.]、[3.3 .3 .3，4 .4 ] )
tensor ([ 1.0000，1.3333，1.6667，2.0000 ]，[ 1.6667，2.0000，2.3333，2.6667，2.6667，3.0007 ]
upsample
torch.nn.functional.up sample (input，size=None，scale_factor=None，mode='nearest '，align _ corners=non