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

文章目录

• 前言
• 一、nn.Upsample 上采样
• 二、nn.ConvTranspose2d 转置卷积

  ---

  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)
  

  

  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)
  

  

  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)
  

  

  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)
  

  

  和普通卷积类似，这里是+2（普通卷积是宽高-2）