前言
這次就不廢話了，我想趕在10點(diǎn)前回去洗頭（現(xiàn)在9.17，還差一篇文章）
一、nn.Upsample 上采樣
該函數(shù)有四個(gè)參數(shù)：
參數(shù)的介紹如下：
稍微翻譯一下：
參數(shù)：
1）size（int或Tuple[int]或Tuple[int，int]或Tupple[int，int，int]，可選）：輸出空間大小
2）scale_factor（float或Tuple[floot]或Tuple[floot，float]或Tuple[floot、float、float]，可選）：空間大小的乘數(shù)。如果是元組，則必須匹配輸入大小。
3）mode（str，可選）：上采樣算法：“最近”，“線性”、“雙線性”、“雙三次”和“三線性”。默認(rèn)值 ‘nearst’
4）align_ccorners（bool，可選）：如果“True”，則輸入的角像素和輸出張量對(duì)齊，從而保持這些像素。僅當(dāng)：attr:mode為“線性”、“線性”或“三線性”。默認(rèn)值：False
深度學(xué)習(xí)里用的比較多的是二倍向上采樣，比如經(jīng)常出現(xiàn)在U-net網(wǎng)絡(luò)結(jié)構(gòu)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)
如果少寫(xiě)了一個(gè)維度，就會(huì)報(bào)錯(cuò)：
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 轉(zhuǎn)置卷積
我們首先看看它的參數(shù)，依然如此得多
其實(shí)，轉(zhuǎn)置卷積和普通的卷積操作，參數(shù)配置都是很相似的?？磶讉€(gè)例子把
1）311型轉(zhuǎn)置卷積：
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)
和普通卷積的311一樣，寬高不變
2）310型轉(zhuǎn)置卷積：文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-401616.html
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)
和普通卷積類似，這里是+2（普通卷積是寬高-2）文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-401616.html
到了這里，關(guān)于【深度學(xué)習(xí)】特征圖的上采樣（nn.Upsample）和轉(zhuǎn)置卷積（nn.ConvTranspose2d） | pytorch的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
