Add interpolate docs (#2352)

* add interpolate

* fix docs

doc/fluid/api_cn/layers_cn/interpolate_cn.rst

-interpolate
+.. _cn_api_fluid_layers_interpolate:
+
+Inerpolate
 -------------------------------
-**版本升级，文档正在开发中**
+
+.. py:function:: paddle.fluid.layers.interpolate(input, out_shape=None, scale=None, name=None, resample='BILINEAR', actual_shape=None, align_corners=True, align_mode=1, data_format='NCHW')
+
+**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。
+
+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。
+
+如:
+
+.. code-block:: text
+
+      
+      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:
+
+      if:
+          align_corners = False
+
+          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
+
+      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:
+
+      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： `最近邻插值 <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： `双线性插值 <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： `三线插值 <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： `双三次插值 <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4-D Tensor时，形状为 :math: `(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。
+    - **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‘BILINEAR’, ‘TRILINEAR’ , ‘BICUBIC’ and ‘NEAREST’ 。默认值为‘BILINEAR’。
+    - **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'。
+
+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
+    
+    #declarative mode
+    import paddle
+    import paddle.fluid as fluid
+    import numpy as np
+    input = fluid.data(name="input", shape=[None,3,6,10])
+    # example 1
+    output = fluid.layers.interpolate(input=input,out_shape=[12,12])
+    # example 2
+    # x = np.array([2]).astype("int32")
+    # dim1 = fluid.data(name="dim1", shape=[1], dtype="int32")
+    # fluid.layers.assign(input=x, output=dim1)
+    # output = fluid.layers.interpolate(input=input,out_shape=[12,dim1])
+    # example 3
+    # x = np.array([3,12]).astype("int32")
+    # shape_tensor = fluid.data(name="shape_tensor", shape=[2], dtype="int32")
+    # fluid.layers.assign(input=x, output=shape_tensor)
+    # output = pfluid.layers.interpolate(input=input,out_shape=shape_tensor)
+    # example 4
+    # x = np.array([0.5]).astype("float32")
+    # scale_tensor = fluid.data(name="scale", shape=[1], dtype="float32")
+    # fluid.layers.assign(x,scale_tensor)
+    # output = fluid.layers.interpolate(input=input,scale=scale_tensor)
+    place = fluid.CPUPlace()
+    exe = fluid.Executor(place)
+    exe.run(fluid.default_startup_program())
+    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)
+    # example 1
+    # (2, 3, 12, 12)
+    # example 2
+    # (2, 3, 12, 2)
+    # example 3
+    # (2, 3, 3, 12)
+    # example 4
+    # (2, 3, 3, 5)
+    
+    #imperative mode
+    import paddle.fluid.dygraph as dg
+    import paddle.fluid as fluid
+    with dg.guard(place) as g:
+        input = dg.to_variable(input_data)
+        output = fluid.layers.interpolate(input=input, out_shape=[12,12])
+        print(output.shape)
+        # [2, 3, 12, 12]