如何构建一个与autograd兼容的Pytorch模块，它可以像图像一样调整张量的大小？

Question

我想知道我是否可以在Pytorch中构建一个图像调整模块，它接受3*H*W的torch.tensor作为输入，并返回一个张量作为调整后的图像。

我知道可以将张量转换为PIL图像并使用torchvision，但我也希望将梯度从调整大小的图像反向传播到原始图像，下面的示例将返回此类错误(在Windows10上的PyTorch 0.4.0中)：

import numpy as np
from torchvision import transforms

t2i = transforms.ToPILImage()
i2t = transforms.ToTensor()

trans = transforms.Compose(
    t2i, transforms.Resize(size=200), i2t]
)

test = np.random.normal(size=[3, 300, 300])
test = torch.tensor(test, requires_grad=True)
resized = trans(test)
resized.backward()

print(test.grad)

Traceback (most recent call last):
  File "D:/Projects/Python/PyTorch/test.py", line 41, in <module>
    main()
  File "D:/Projects/Python/PyTorch/test.py", line 33, in main
    resized = trans(test)
  File "D:\Anaconda3\envs\pytorch\lib\site-packages\torchvision\transforms\transforms.py", line 42, in __call__
    img = t(img)
  File "D:\Anaconda3\envs\pytorch\lib\site-packages\torchvision\transforms\transforms.py", line 103, in __call__
    return F.to_pil_image(pic, self.mode)
  File "D:\Anaconda3\envs\pytorch\lib\site-packages\torchvision\transforms\functional.py", line 102, in to_pil_image
    npimg = np.transpose(pic.numpy(), (1, 2, 0))
RuntimeError: Can't call numpy() on Variable that requires grad. Use var.detach().numpy() instead.

似乎我不能在不首先从autograd中分离张量的情况下“调整”它的大小，但是分离它会阻止我计算梯度。

有没有一种方法可以构建一个与torchvision.transforms.Resize做同样事情的torch函数/模块，并且是autograd兼容的？任何帮助都是非常感谢的！

Answer 1

torch.nn.functional.upsample为我工作，爸爸！

Answer 2

我刚刚弄明白了如何在实现自定义损失函数时保留梯度。

诀窍是将你的结果附加到虚拟渐变

def custom_loss(tensor1, tensor2):
    # convert tensors to PIL image, doing calculation, we have output = 0.123
    grad = (tensor1 + tensor2).sum()
    loss = grad - grad + output
    return loss