用替代上采样操作替换 nn.Upsample答案

【问题标题】：Replacing nn.Upsample with alternative upsample operation用替代上采样操作替换 nn.Upsample
【发布时间】：2020-06-08 12:48:29
【问题描述】：

我有一个UNet++（私下查看，文章底部的模型代码），我正在尝试重新配置它。我在一些图像中得到了一些伪像，所以我关注this article，它建议先进行上采样，然后再进行卷积操作。

我正在用如下所示的顺序操作替换上采样层，但我的模型没有学习。我怀疑这与我如何配置频道有关，所以我想提出其他意见。

旧的上采样操作：

self.up = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True)

新操作：

class upConv(nn.Module):
"""
Up sampling/ deconv block by factor of 2 
"""
def __init__(self, in_ch, out_ch):
    super().__init__()
    self.upc = nn.Sequential(
                             nn.Upsample(scale_factor=2, mode='bilinear', align_corners=True),
                             nn.Conv2d(in_ch, out_ch*2, 3, stride=1, padding=1),
                             nn.BatchNorm2d(out_ch*2),
                             nn.ReLU(inplace=True)
                             )
def forward(self, x):
    out = self.upc(x)
    return out

我的问题是这两个操作在我的模型中是否具有相同的输出/功能？

【问题讨论】：

标签： computer-vision pytorch conv-neural-network deconvolution

【解决方案1】：

这两个操作在我的模型中是否具有相同的输出/功能？

如果out_ch*2 == in_ch，那么：是的，它们具有相同的输出形状。

如果输入 x 是 BatchNorm+ReLU 操作的输出，那么它们可能更加相似。

【讨论】：

感谢您的确认，x 确实来自conv+BatchNorm+ReLU 操作。看起来这个问题根源于其他地方。