Upsample

所谓上采样，实则是一个插值过程。所以上采样对象在初始化时，需要指定一个插值类型，Upsample是torch.nn中最基础的上采样类，初始化参数如下

Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None)

其中，scale_factor为上采样的倍数，align_corners为True时，输出的角像素将与输出张量对齐。

插值模式可选值包括

• nearest 邻近插值
• linear 线性插值
• bilinear 双线性插值
• bicubic 双三次插值
• trilinear 三线性插值

记scale_factor为$k$，则输入和输出数组形状的关系如下

	1D	2D	3D
输入	$[N,C,W]$	$[N,C,H,W]$	$[N,C,D,H,W]$
输出	$[N,C,kW]$	$[N,C,kH,kW]$	$[N,C,kD,kH,kW]$

下面针对一维数组测试一下

import torch
from torch import nn
x = torch.arange(1, 5, dtype=torch.float32).view(1, 1, 4)
up = nn.Upsample(scale_factor=2, mode='linear')
up(x)
# tensor([[[1.00, 1.25, 1.75, 2.25, 2.75, 3.25, 3.75, 4.00]]])

可见，up将$1,2,3,4$变成了$1.00,1.25,1.75,2.25,2.75,3.25,3.75,4.00$。

特殊上采样

可能是针对二维图像的上采样操作比较多，故而pytorch专门为这种情况封装了两个类，并且分别提供了邻近插值和双线性插值，其初始化参数如下

UpsamplingNearest2d(size=None, scale_factor=None)
UpsamplingBilinear2d(size=None, scale_factor=None)

二者的输入均为$N,C,H,W$，输出均为$N,C,kH,kW$，与UpSample的二维情况一致。

x0 = torch.arange(1, 17, dtype=torch.float32).view(1, 1, 4, 4)
upNearest = nn.UpsamplingNearest2d(scale_factor=2)
upBilinear = nn.UpsamplingBilinear2d(scale_factor=2)

xN = upNearest(x0)
xB = upBilinear(x0)

下面可以画一下二者的区别

import matplotlib.pyplot as plt
fig = plt.figure()
for i, x in enumerate([x0, xN, xB],1):
    ax = fig.add_subplot(1,3,i)
    plt.imshow(torch.squeeze(x))

plt.show()

效果如下

第二个图像为邻近插值，即插入值等于某个附近点的值，所以从结果来看，尽管像素尺寸从$4\times 4$变成了$8\times 8$，但相邻的$2\times 2$的像素格子中，灰度值是一致的。