上采样之反卷积

上采样（Upsample）

实现feature map由小分辨率到大分辨率映射的操作
上采样常见有三种方法：（1）双线性插值（bilinear）；（2）反卷积（Transposed Convolution）；（3）反池化（Unpooling）。

反卷积（Transposed Convolution）

反卷积是一种特殊的正向卷积，先按照一定比例通过补0来扩大输入图像尺寸，然后旋转卷积核，进行正向卷积。
反卷积不是一个预先定义好的插值方式，有一些可以学习的参数（learnable parameters）。应用场景为：（1）DCGAN的生成器随机采样以产生完整尺寸的图片。（2）语义分割在编码器中用卷积层去提取图像特征，然后在解码器中将图像恢复到原来尺寸。

torch.nn.ConvTranspose2d(   in_channels,  #输入数据的通道数
							out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少）
							kernel_size,  #卷积核的尺寸（如（3，2），3与（3,3）等同）
							stride=1,     #卷积步长，就是卷积操作时每次移动的格子数
							padding=0,    #原图周围需要填充的格子行（列）数
							output_padding=0,   #输出特征图边缘需要填充的行（列）数，一般不设置
							groups=1,     #分组卷积的组数，一般默认设置为1，不用管
							bias=True     #卷积偏置，一般设置为False，True的话可以增加模型的泛化能力
							)

反卷积和卷积的区别

常规卷积是输出值和输入值在位置上的关联性，先乘后加。反卷积则尝试将矩阵中的1个值和另一个矩阵中的9个值去关联起来，且是一个一对多的关系。