Created by: richlaji

模型转换Pytorch->onnx->paddle。

1. Pytorch代码中对应部分代码：

def forward(self, x):
    n,c,h,w = x.shape
    up = nn.functional.interpolate(rb2, size=((h+1)//2, (w+1)//2), mode='bilinear', align_corners=False) 
    return up

2. 转onnx时候，Upsample对应层是： %827 : Float(1, 576, 4, 35) = onnx::Upsamplemode="linear"，其中%826是计算动态shape

3. 使用develop分支的X2Paddle转，在model = ONNXDecoder(model_path)这步里有一个model = onnx.shape_inference.infer_shapes(model)，onnx貌似不支持动态的shape推断，打印出来Upsample的四个dim都是空

4. 由于3中所述，在onnx转paddle的时，Upsample转成paddle的out_shape=[0,0]，转出来的model.py对应层是_827 = fluid.layers.resize_bilinear(_808, scale=None, out_shape=[0, 0], name='_827')，这里手动把2中的mode=“linear”改成了paddle支持的“bilinear”。

我看到paddle的文档中写了“根据指定的out_shape执行双线性插值调整输入大小，输出形状按优先级由actual_shape、out_shape和scale指定。”其中acutal_shape是动态图时用到的。 我现在想法是在ONNXOpMapper这里改，Upsample层对应的是_interpolate函数，但不清楚用actual_shape参数要怎么改，或者有更方便的改法嘛~ 其中_interpolate函数里层的现在是提供scale和out_shape的参数，如下：

        attr = {
            'scale': scale,
            'out_shape': out_shape,
            'name': string(node.layer_name)
        }
        node.fluid_code.add_layer(fluid_op,
                                  inputs=val_x,
                                  output=node,
                                  param_attr=attr)