深度学习：使用Tensorflow Lite部署模型时遇到不支持tf.keras.layers.UpSampling2D()函数问题的解决方法

• 在使用Tensorflow Lite部署训练好的模型时，若使用了tf.keras.layers.UpSampling2D()函数对图像进行了上采样，那么就会报错——Tensorflow Lite暂不支持该函数方法。那么该如何解决呢，可以使用tf.image.resize()方法来代替UpSampling2D方法。为验证该方案是否可行，下面简单的进行了一下验证：

import tensorflow as tf
import numpy as np

# 自定义一张图片矩阵
input_image = tf.constant([
    [1, 0, 0, 0, 0],
    [0, 1, 0, 0, 0],
    [0, 0, 1, 0, 0],
    [0, 0, 0, 1, 0],
    [0, 0, 0, 0, 1],
])
# 扩维
input_image = input_image[tf.newaxis, ..., tf.newaxis]
print(input_image.shape.as_list())

# 使用tf.keras.layers.UpSampling2D()方法进行上采样
upsampling2D = tf.keras.layers.UpSampling2D(size=(2, 2), interpolation='bilinear')(input_image)
upsampling2D_image_data = np.array(upsampling2D).astype(np.float32)
print("upsampling2D_image_data =", upsampling2D_image_data)

# 使用tf.image.resize()方法进行图像放大
resized_image = tf.image.resize(input_image, (2 * input_image.shape[1], 2*input_image.shape[2]),method=tf.image.ResizeMethod.BILINEAR)
resized_image_data = np.array(resized_image).astype(np.float32)
print("resized_image_data =", resized_image_data)

• 通过对比输出的数据可知，使用tf.image.resize()方法与tf.keras.layers.UpSampling2D()方法处理相同的数据后，具有相同结果。不过需要注意的是：
  （1）需保证二者的输出具有相同的尺寸；
  （2）二者需使用相同的插值算法（双线性插值，邻近法插值，转置卷积核等）；