调整5D张量的空间维度：深度学习视频张量尺寸修改问询

针对你的5D输入张量（形状[32, 3, 16, 128, 192]），要将空间维度(H=128, W=192)调整为(224, 224)，以下是主流深度学习框架的实现方案：

PyTorch 实现 #

PyTorch的F.interpolate或nn.Upsample可直接处理5D张量，自动对每个时间步的帧进行空间插值，无需额外维度转换：

方法1：函数式API（适合单次处理） #

import torch
import torch.nn.functional as F

# 构造示例输入张量
x = torch.randn(32, 3, 16, 128, 192)

# 调整空间尺寸：指定目标空间大小(224,224)，选择双线性插值
resized_x = F.interpolate(
    x,
    size=(224, 224),
    mode='bilinear',
    align_corners=False  # PyTorch 1.6+默认值，建议保持该设置
)

# 验证形状：resized_x.shape → torch.Size([32, 3, 16, 224, 224])

方法2：模块层（适合嵌入模型） #

如果需要将resize操作作为模型的一部分，可使用nn.Upsample层：

import torch.nn as nn

upsample = nn.Upsample(
    size=(224, 224),
    mode='bilinear',
    align_corners=False
)
resized_x = upsample(x)

说明：mode参数可按需选择：bilinear适合RGB视频帧，nearest适合无需平滑的场景，bicubic插值精度更高但计算量更大。

TensorFlow/Keras 实现 #

TensorFlow的图像resize操作默认通道维度在最后，因此需要先调整张量维度顺序，处理后再转回原格式：

方法1：使用tf.image.resize #

import tensorflow as tf

# 构造示例输入张量
x = tf.random.normal((32, 3, 16, 128, 192))

# 转换维度顺序为 [batch, T, H, W, channels]
x_reshaped = tf.transpose(x, perm=[0, 2, 3, 4, 1])

# 调整空间尺寸
resized_x_reshaped = tf.image.resize(
    x_reshaped,
    size=(224, 224),
    method='bilinear'
)

# 转回原维度顺序 [batch, channels, T, H, W]
resized_x = tf.transpose(resized_x_reshaped, perm=[0, 4, 1, 2, 3])

# 验证形状：tf.shape(resized_x) → Tensor([32, 3, 16, 224, 224])

方法2：使用Keras层（适合模型嵌入） #

from tensorflow.keras import layers

x_reshaped = tf.transpose(x, perm=[0, 2, 3, 4, 1])
resize_layer = layers.Resizing(224, 224, interpolation='bilinear')
resized_x_reshaped = resize_layer(x_reshaped)
resized_x = tf.transpose(resized_x_reshaped, perm=[0, 4, 1, 2, 3])

内容的提问来源于stack exchange，提问作者dtr43