【深度学习】特征图的上采样（nn.Upsample）和转置卷积（nn.ConvTranspose2d） | pytorch

---

前言

这次就不废话了，我想赶在10点前回去洗头（现在9.17，还差一篇文章）

一、nn.Upsample 上采样

该函数有四个参数：

参数的介绍如下：

稍微翻译一下：
参数：
1）size（int或Tuple[int]或Tuple[int，int]或Tupple[int，int，int]，可选）：输出空间大小
2）scale_factor（float或Tuple[floot]或Tuple[floot，float]或Tuple[floot、float、float]，可选）：空间大小的乘数。如果是元组，则必须匹配输入大小。
3）mode（str，可选）：上采样算法：“最近”，“线性”、“双线性”、“双三次”和“三线性”。默认值 ‘nearst’
4）align_ccorners（bool，可选）：如果“True”，则输入的角像素和输出张量对齐，从而保持这些像素。仅当：attr:mode为“线性”、“线性”或“三线性”。默认值：False

深度学习里用的比较多的是二倍向上采样，比如经常出现在U-net网络结构里，例子如下：

import torch
import torch.nn as nn
A =torch.rand(1,3,24,24)
up=nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
B =up(A)
print(B.shape)
1
2
3
4
5
6

如果少写了一个维度，就会报错：

import torch
import torch.nn as nn
A =torch.rand(3,24,24)
up=nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)
B =up(A)
print(B.shape)
1
2
3
4
5
6

二、nn.ConvTranspose2d 转置卷积

我们首先看看它的参数，依然如此得多

其实，转置卷积和普通的卷积操作，参数配置都是很相似的。看几个例子把
1）311型转置卷积：

import torch
import torch.nn as nn
A =torch.rand(1,64,24,24)
up=nn.ConvTranspose2d(64,32,3,1,1)
B =up(A)
print(B.shape)
1
2
3
4
5
6

和普通卷积的311一样，宽高不变
2）310型转置卷积：

import torch
import torch.nn as nn
A =torch.rand(1,64,24,24)
up=nn.ConvTranspose2d(64,32,3,1,0)
B =up(A)
print(B.shape)
1
2
3
4
5
6

和普通卷积类似，这里是+2（普通卷积是宽高-2）

1