1 DownSample下采样部分

1.1 两种实现方式

下采样，即改变特征图的尺寸

下采样的话源码实现了两种方式

• 方式一：是通过卷积实现下采样，我们知道卷积操作天然就有改变特征图的效果
• 方式二：是通过平均池化层实现下采样

方式一的话会增加参数

方式二的话是没有参数的

这两种是可以选择的

一般情况下

• 如果我们感觉模型的能力不强，可以用带参数的卷积的方式做下采样
• 如果我们感觉模型的能力比较强，可以用不带参数的池化做下采样，防止过拟合

上采样也是同样的道理

1.2 代码实现

这里注意一点，我们在实现过程中，用了非对称的填充

class Downsample(nn.Module):def __init__(self, in_channels, with_conv):super().__init__()self.with_conv = with_convif self.with_conv:# 非对称填充，必须我们自己来做self.conv = torch.nn.Conv2d(in_channels,in_channels,kernel_size=3,stride=2,padding=0)def forward(self, x):if self.with_conv:pad = (0,1,0,1)x = torch.nn.functional.pad(x, pad, mode="constant", value=0)#进行填充，填充的值为0x = self.conv(x)else:x = torch.nn.functional.avg_pool2d(x, kernel_size=2, stride=2)return x

即第15,16行

这是因为这个网络在设计的过程中，尽量维持卷积核尺寸大小统一且是奇数（这里是3），所以假设我们直接用卷积核自带的填充，则默认是对称填充，则会导致不能整除而出错

举例如下假设输入尺寸图大小128*128，则对称填充后，会变为130

最后输出尺寸大小为（公式 $ \frac{特征图长或宽+2*填充尺寸-卷积核尺寸}{步长}+1$）

$\frac{130-3}{2}+1$ 有没有发现左边不能整除

这时候我们只需要填充一侧（非对称填充）填充完后，尺寸大小是129

$\frac{129-3}{2}+1=64$

2 UpSample上采样部分

上采样即改变特征图大小为原本的2倍

用插值(最近邻)的方式实现上采样

2.1 代码实现

class Upsample(nn.Module):def __init__(self, in_channels, with_conv):super().__init__()self.with_conv = with_convif self.with_conv:self.conv = torch.nn.Conv2d(in_channels,in_channels,kernel_size=3,stride=1,padding=1)def forward(self, x):x = torch.nn.functional.interpolate(x, scale_factor=2.0, mode="nearest")if self.with_conv:x = self.conv(x)return x

这里的上采样方式比较简单，通过插值实现的

而之前有些工作是通过转置卷积实现的