如何使用torch.tensor重塑二维数组 实现32*32图像降分辨率至16*16

注意：直接调用reshape/view修改张量尺寸无法实现降分辨率效果，这类操作只会硬打乱像素的原有排布，输出结果完全不保留原图的视觉结构，不能用于图像分辨率调整。真正的降分辨率需要对相邻像素做下采样聚合，以下是三种可直接落地的实现方式：

• 平均池化下采样（最通用）
  把原图按2×2大小的无重叠窗口切分，每个窗口内的像素取平均值作为输出图对应位置的像素值，降采样效果平滑自然，是最常用的图像降分辨率方案。
  单张二维图像张量的实现代码：

  import torch
  
  # 示例：生成随机32×32张量模拟输入图像
  img_32 = torch.rand(32, 32)
  # 补批量、通道维度适配池化接口要求，池化核与步长均设为2，处理后去掉多余维度
  img_16 = torch.nn.functional.avg_pool2d(
      img_32.unsqueeze(0).unsqueeze(0),
      kernel_size=2,
      stride=2
  ).squeeze()
  print(img_16.shape)  # 输出为torch.Size([16, 16])
  

  如果输入是批量多通道格式的张量（形状为[批量数, 通道数, 32, 32]），直接传入池化接口即可，不需要额外加维度。

• 最大池化下采样
  每个2×2窗口内取最大像素值作为输出，适合需要保留高亮特征、强边缘信息的场景，代码逻辑和平均池化一致：

  img_16_max = torch.nn.functional.max_pool2d(
      img_32.unsqueeze(0).unsqueeze(0),
      kernel_size=2,
      stride=2
  ).squeeze()
  

• 近邻下采样（速度最快）
  不需要做数值聚合计算，直接按步长2隔行隔列取像素点生成新图，运行速度最快，但降采样后可能出现明显锯齿：

  img_16_near = img_32[::2, ::2]
  print(img_16_near.shape) # 输出为torch.Size([16, 16])
  

补充：如果需要用插值类的降采样效果（比如双线性插值），可以调用torch.nn.functional.interpolate接口，设置scale_factor=0.5、mode='bilinear'即可，注意调用前同样需要补全批量、通道维度。

内容的提问来源于stack exchange，提问作者Jinsu Jang