add doc for interpolate

doc/paddle/api/paddle/nn/functional/common/interpolate_cn.rst

 .. _cn_api_paddle_nn_functioanl_interpolate:
 
-Inerpolate
+Interpolate
 -------------------------------
 
-.. py:function:: paddle.nn.functioanl.interpolate(input, out_shape=None, scale=None, name=None, resample='BILINEAR', actual_shape=None, align_corners=True, align_mode=1, data_format='NCHW')
+.. py:function:: paddle.nn.functioanl.interpolate(x, size=None, scale_factor=None, name=None, resample='BILINEAR', actual_shape=None, align_corners=False, align_mode=0, data_format='NCHW')
 
 :alias_main: paddle.nn.functional.interpolate
 :alias: paddle.nn.functional.interpolate,paddle.nn.functional.common.interpolate
 
 
 
-**注意:** 参数 ``actual_shape`` 将被弃用，请使用 ``out_shape`` 替代。
-
 该OP用于调整一个batch中图片的大小。
 
 输入为4-D Tensor时形状为(num_batches, channels, in_h, in_w)或者(num_batches, in_h, in_w, channels)，输入为5-D Tensor时形状为(num_batches, channels, in_d, in_h, in_w)或者(num_batches, in_d, in_h, in_w, channels)，并且调整大小只适用于深度，高度和宽度对应的维度。
@@ -59,8 +57,6 @@ Align_corners和align_mode是可选参数，插值的计算方法可以由它们
 
       Nearest neighbor interpolation:
 
-      if:
-          align_corners = False
 
           input : (N,C,H_in,W_in)
           output: (N,C,H_out,W_out) where:
@@ -68,14 +64,6 @@ Align_corners和align_mode是可选参数，插值的计算方法可以由它们
           H_out = \left \lfloor {H_{in} * scale_{}factor}} \right \rfloor
           W_out = \left \lfloor {W_{in} * scale_{}factor}} \right \rfloor
 
-      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:
 
@@ -152,12 +140,11 @@ https://en.wikipedia.org/wiki/Trilinear_interpolation
 https://en.wikipedia.org/wiki/Bicubic_interpolation
 
 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4D张量时，形状为为(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 :code:`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 :code:`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。
+    - **x** (Tensor) - 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。
+    - **size** (list|tuple|Variable|None) - 输出Tensor，输入为4D张量时，形状为为(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 :code:`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 :code:`out_shape` 是变量，则其维度大小为1。默认值为None。
+    - **scale_factor** (float|Tensor|list|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 :ref:`api_guide_Name` 。默认值为None。
     - **resample** (str) - 插值方法。支持“双线性”,“三线性”,“临近插值”,"双三次"。默认值为双线性插值。
-    - **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 :code:`out_shape` 和 :code:`scale` 进行调整。也就是说， :code:`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 :code:`out_shape` ，因为 :code:`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'。
@@ -183,26 +170,23 @@ https://en.wikipedia.org/wiki/Bicubic_interpolation
 
 ..  code-block:: python
 
-    import paddle
-    import numpy as np
-    input = fluid.data(name="input", shape=[None,3,6,10])
-    output = paddle.nn.functional.interpolate(input=input,out_shape=[12,12])
-    place = fluid.CPUPlace()
-    exe = fluid.Executor(place)
-    exe.run(fluid.default_startup_program())
+        import paddle.nn.functional as F
+        paddle.disable_static()
+
+        # given out size
         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)
-    # (2, 3, 12, 12)
-
-    #imperative mode
-    import paddle.fluid.dygraph as dg
-    with dg.guard(place) as g:
-        input = dg.to_variable(input_data)
-        output = paddle.nn.functional.interpolate(input=input, out_shape=[12,12])
-        print(output.shape)
+        x = paddle.to_tensor(input_data)
+        output_1 = F.interpolate(x=x, size=[12,12])
+        print(output_1.shape)
         # [2L, 3L, 12L, 12L]
 
+        # given scale
+        output_2 = F.interpolate(x=x, scale_factor=[2,1])
+        print(output_2.shape)
+        # [2L, 3L, 12L, 10L]
+
+        # bilinear interp
+        output_3 = F.interpolate(x=x, scale_factor=[2,1], mode="bilinear")
+        print(output_2.shape)
+        # [2L, 3L, 12L, 10L]
+

doc/paddle/api/paddle/nn/functional/common/upsample_cn.rst

+.. _cn_api_paddle_nn_functioanl_upsample:
+
+upsample
+-------------------------------
+
+.. py:function:: paddle.nn.functioanl.upsample(x,size=None,scale_factor=None,mode='nearest',align_corners=False,align_mode=0,data_format='NCHW',name=None):
+
+:alias_main: paddle.nn.functional.upsample
+:alias: paddle.nn.functional.upsample,paddle.nn.functional.common.upsample
+
+
+
+该OP用于调整一个batch中图片的大小。
+
+输入为4-D Tensor时形状为(num_batches, channels, in_h, in_w)或者(num_batches, in_h, in_w, channels)，输入为5-D Tensor时形状为(num_batches, channels, in_d, in_h, in_w)或者(num_batches, in_d, in_h, in_w, channels)，并且调整大小只适用于深度，高度和宽度对应的维度。
+
+支持的插值方法:
+
+    NEAREST：最近邻插值
+
+    BILINEAR：双线性插值
+
+    TRALINEAR：三线性插值
+
+    BICUBIC：双三次插值
+
+
+
+
+最近邻插值是在输入张量的高度和宽度上进行最近邻插值。
+
+双线性插值是线性插值的扩展，用于在直线2D网格上插值两个变量（例如，该操作中的H方向和W方向）的函数。 关键思想是首先在一个方向上执行线性插值，然后在另一个方向上再次执行线性插值。
+
+三线插值是线性插值的一种扩展，是3参数的插值方程（比如op里的D,H,W方向），在三个方向上进行线性插值。
+
+双三次插值是在二维网格上对数据点进行插值的三次插值的扩展，它能创造出比双线性和最近临插值更为光滑的图像边缘。
+
+Align_corners和align_mode是可选参数，插值的计算方法可以由它们选择。
+
+示例:
+
+::
+
+      
+      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)
+
+
+      不同插值方式的输出纬度计算规则：
+
+      Nearest neighbor interpolation:
+
+
+          input : (N,C,H_in,W_in)
+          output: (N,C,H_out,W_out) where:
+
+          H_out = \left \lfloor {H_{in} * scale_{}factor}} \right \rfloor
+          W_out = \left \lfloor {W_{in} * scale_{}factor}} \right \rfloor
+
+
+      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}
+
+
+有关最近邻插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Nearest-neighbor_interpolation
+
+有关双线性插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Bilinear_interpolation
+
+有关三线插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Trilinear_interpolation
+
+有关双三次插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Bicubic_interpolation
+
+参数:
+    - **x** (Tensor) - 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。
+    - **size** (list|tuple|Variable|None) - 输出Tensor，输入为4D张量时，形状为为(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 :code:`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 :code:`out_shape` 是变量，则其维度大小为1。默认值为None。
+    - **scale_factor** (float|Tensor|list|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 :ref:`api_guide_Name` 。默认值为None。
+    - **resample** (str) - 插值方法。支持“双线性”,“三线性”,“临近插值”,"双三次"。默认值为双线性插值。
+    - **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)。
+
+返回类型: 变量（variable）
+
+抛出异常：
+    - :code:`TypeError` - out_shape应该是一个列表、元组或变量。
+    - :code:`TypeError` - actual_shape应该是变量或None。
+    - :code:`ValueError` - image_resize的"resample"只能是"BILINEAR"或"TRILINEAR"或"NEAREST"或"BICUBIC"。
+    - :code:`ValueError` - out_shape 和 scale 不可同时为 None。
+    - :code:`ValueError` - out_shape 的长度必须为2如果输入是4D张量。
+    - :code:`ValueError` - out_shape 的长度必须为3如果输入是5D张量。
+    - :code:`ValueError` - scale应大于0。
+    - :code:`TypeError`  - align_corners 应为bool型。
+    - :code:`ValueError` - align_mode 只能取 ‘0’ 或 ‘1’。
+    - :code:`ValueError` - data_format 只能取 ‘NCHW’、‘NHWC’、‘NCDHW’ 或者 ‘NDHWC’。
+
+
+**代码示例**
+
+..  code-block:: python
+
+        import paddle
+        import numpy as np
+        import paddle.nn.functional as F
+        paddle.disable_static()
+        input = paddle.to_tensor(input_data)
+        output = F.upsample(input=input, size=[12,12])
+        print(output.shape)
+        # [2L, 3L, 12L, 12L]

doc/paddle/api/paddle/nn/layer/common/UpSample_cn.rst

+.. _cn_api_paddle_nn_UpSample:
+
+UpSample
+-------------------------------
+
+.. py:function:: paddle.nn.UpSample(x,size=None,scale_factor=None,mode='nearest',align_corners=False,align_mode=0,data_format='NCHW',name=None):
+
+:alias_main: paddle.nn.UpSample
+:alias: paddle.nn.layer.UpSample,paddle.nn.layer.common.UpSample
+
+
+
+该OP用于调整一个batch中图片的大小。
+
+输入为4-D Tensor时形状为(num_batches, channels, in_h, in_w)或者(num_batches, in_h, in_w, channels)，输入为5-D Tensor时形状为(num_batches, channels, in_d, in_h, in_w)或者(num_batches, in_d, in_h, in_w, channels)，并且调整大小只适用于深度，高度和宽度对应的维度。
+
+支持的插值方法:
+
+    NEAREST：最近邻插值
+
+    BILINEAR：双线性插值
+
+    TRALINEAR：三线性插值
+
+    BICUBIC：双三次插值
+
+
+
+
+最近邻插值是在输入张量的高度和宽度上进行最近邻插值。
+
+双线性插值是线性插值的扩展，用于在直线2D网格上插值两个变量（例如，该操作中的H方向和W方向）的函数。 关键思想是首先在一个方向上执行线性插值，然后在另一个方向上再次执行线性插值。
+
+三线插值是线性插值的一种扩展，是3参数的插值方程（比如op里的D,H,W方向），在三个方向上进行线性插值。
+
+双三次插值是在二维网格上对数据点进行插值的三次插值的扩展，它能创造出比双线性和最近临插值更为光滑的图像边缘。
+
+Align_corners和align_mode是可选参数，插值的计算方法可以由它们选择。
+
+示例:
+
+::
+
+      
+      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)
+
+
+      不同插值方式的输出纬度计算规则：
+
+      Nearest neighbor interpolation:
+
+
+          input : (N,C,H_in,W_in)
+          output: (N,C,H_out,W_out) where:
+
+          H_out = \left \lfloor {H_{in} * scale_{}factor}} \right \rfloor
+          W_out = \left \lfloor {W_{in} * scale_{}factor}} \right \rfloor
+
+
+      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}
+
+
+有关最近邻插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Nearest-neighbor_interpolation
+
+有关双线性插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Bilinear_interpolation
+
+有关三线插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Trilinear_interpolation
+
+有关双三次插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Bicubic_interpolation
+
+参数:
+    - **x** (Tensor) - 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。
+    - **size** (list|tuple|Variable|None) - 输出Tensor，输入为4D张量时，形状为为(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 :code:`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 :code:`out_shape` 是变量，则其维度大小为1。默认值为None。
+    - **scale_factor** (float|Tensor|list|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 :ref:`api_guide_Name` 。默认值为None。
+    - **resample** (str) - 插值方法。支持“双线性”,“三线性”,“临近插值”,"双三次"。默认值为双线性插值。
+    - **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)。
+
+返回类型: 变量（variable）
+
+抛出异常：
+    - :code:`TypeError` - out_shape应该是一个列表、元组或变量。
+    - :code:`TypeError` - actual_shape应该是变量或None。
+    - :code:`ValueError` - image_resize的"resample"只能是"BILINEAR"或"TRILINEAR"或"NEAREST"或"BICUBIC"。
+    - :code:`ValueError` - out_shape 和 scale 不可同时为 None。
+    - :code:`ValueError` - out_shape 的长度必须为2如果输入是4D张量。
+    - :code:`ValueError` - out_shape 的长度必须为3如果输入是5D张量。
+    - :code:`ValueError` - scale应大于0。
+    - :code:`TypeError`  - align_corners 应为bool型。
+    - :code:`ValueError` - align_mode 只能取 ‘0’ 或 ‘1’。
+    - :code:`ValueError` - data_format 只能取 ‘NCHW’、‘NHWC’、‘NCDHW’ 或者 ‘NDHWC’。
+
+
+**代码示例**
+
+..  code-block:: python
+
+        import paddle
+        import paddle.nn as nn
+        import numpy as np
+        paddle.disable_static()
+        input_data = np.random.rand(2,3,6,10).astype("float32")
+        upsample_out  = paddle.nn.UpSample(size=[12,12])
+        input = paddle.to_tensor(input_data)
+        output = upsample_out(x=input)
+        print(output.shape)
+        # [2L, 3L, 12L, 12L]

doc/paddle/api/paddle/nn/layer/common/UpsamplingBilinear2d_cn.rst

+.. _cn_api_paddle_nn_UpsamplingBilinear2d:
+
+UpsamplingBilinear2d
+-------------------------------
+
+.. py:function:: paddle.nn.UpsamplingBilinear2d(x,size=None,scale_factor=None, data_format='NCHW',name=None):
+
+:alias_main: paddle.nn.UpsamplingBilinear2d
+:alias: paddle.nn.layer.UpsamplingBilinear2d,paddle.nn.layer.common.UpsamplingBilinear2d
+
+
+
+该OP用于调整一个batch中图片的大小。
+
+输入为4-D Tensor时形状为(num_batches, channels, in_h, in_w)或者(num_batches, in_h, in_w, channels), 调整大小只适用于高度和宽度对应的维度。
+
+支持的插值方法:
+
+    BILINEAR：双线性插值
+
+
+双线性插值是线性插值的扩展，用于在直线2D网格上插值两个变量（例如，该操作中的H方向和W方向）的函数。 关键思想是首先在一个方向上执行线性插值，然后在另一个方向上再次执行线性插值。
+
+有关双线性插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Bilinear_interpolation
+
+
+参数:
+    - **x** (Tensor) - 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。
+    - **size** (list|tuple|Variable|None) - 输出Tensor，输入为4D张量，形状为为(out_h, out_w)的2-D Tensor。如果 :code:`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 :code:`out_shape` 是变量，则其维度大小为1。默认值为None。
+    - **scale_factor** (float|Tensor|list|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。
+    - **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)，默认值：'NCHW'。
+    - **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 :ref:`api_guide_Name` 。默认值为None。
+
+返回：4-D Tensor，形状为 (num_batches, channels, out_h, out_w) 或 (num_batches, out_h, out_w, channels)。
+
+
+抛出异常：
+    - :code:`TypeError` - out_shape应该是一个列表、元组或变量。
+    - :code:`ValueError` - out_shape 和 scale 不可同时为 None。
+    - :code:`ValueError` - out_shape 的长度必须为2如果输入是4D张量。
+    - :code:`ValueError` - scale应大于0。
+    - :code:`ValueError` - data_format 只能取 ‘NCHW’、‘NHWC’
+
+
+**代码示例**
+
+..  code-block:: python
+
+        import paddle
+        import numpy as np
+        import paddle.nn.functional as F
+        paddle.disable_static()
+        input = paddle.to_tensor(input_data)
+        output = F.upsample(input=input, size=[12,12])
+        print(output.shape)
+        # [2L, 3L, 12L, 12L]

doc/paddle/api/paddle/nn/layer/common/UpsamplingNearest2d_cn.rst

+.. _cn_api_paddle_nn_UpsamplingNearest2d:
+
+UpsamplingNearest2d
+-------------------------------
+
+.. py:function:: paddle.nn.UpsamplingNearest2d(x,size=None,scale_factor=None, data_format='NCHW',name=None):
+
+:alias_main: paddle.nn.UpsamplingNearest2d
+:alias: paddle.nn.layer.UpsamplingNearest2d,paddle.nn.layer.common.UpsamplingNearest2d
+
+
+
+该OP用于调整一个batch中图片的大小。
+
+输入为4-D Tensor时形状为(num_batches, channels, in_h, in_w)或者(num_batches, in_h, in_w, channels), 调整大小只适用于高度和宽度对应的维度。
+
+支持的插值方法:
+
+    NEAREST：最近邻插值
+
+
+最近邻插值是在输入张量的高度和宽度上进行最近邻插值。
+
+
+示例:
+
+::
+
+      
+      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)
+
+
+      插值方式的输出纬度计算规则：
+
+      Nearest neighbor interpolation:
+
+
+          input : (N,C,H_in,W_in)
+          output: (N,C,H_out,W_out) where:
+
+          H_out = \left \lfloor {H_{in} * scale_{}factor}} \right \rfloor
+          W_out = \left \lfloor {W_{in} * scale_{}factor}} \right \rfloor
+
+有关最近邻插值的详细信息，请参阅维基百科：
+https://en.wikipedia.org/wiki/Nearest-neighbor_interpolation
+
+
+参数:
+    - **x** (Tensor) - 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。
+    - **size** (list|tuple|Variable|None) - 输出Tensor，输入为4D张量，形状为为(out_h, out_w)的2-D Tensor。如果 :code:`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 :code:`out_shape` 是变量，则其维度大小为1。默认值为None。
+    - **scale_factor** (float|Tensor|list|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。
+    - **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)，默认值：'NCHW'。
+    - **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 :ref:`api_guide_Name` 。默认值为None。
+
+返回：4-D Tensor，形状为 (num_batches, channels, out_h, out_w) 或 (num_batches, out_h, out_w, channels)。
+
+
+抛出异常：
+    - :code:`TypeError` - out_shape应该是一个列表、元组或变量。
+    - :code:`ValueError` - out_shape 和 scale 不可同时为 None。
+    - :code:`ValueError` - out_shape 的长度必须为2如果输入是4D张量。
+    - :code:`ValueError` - scale应大于0。
+    - :code:`ValueError` - data_format 只能取 ‘NCHW’、‘NHWC’
+
+
+**代码示例**
+
+..  code-block:: python
+
+        import paddle
+        import paddle.nn as nn
+        import numpy as np
+        paddle.disable_static()
+        input_data = np.random.rand(2,3,6,10).astype("float32")
+        upsample_out  = paddle.nn.UpsamplingBilinear2d(size=[12,12])
+        input = paddle.to_tensor(input_data)
+        output = upsample_out(x=input)
+        print(output.shape)
+        # [2L, 3L, 12L, 12L]