<强> 1,其中再语义分割比较常用的上采样:
其实现方法为:
def upconv2x2 (in_channels out_channels模式=白谩?:
如果模式==' ' ':
#这个上采用需要设置其输入通道,输出通道。其中kernel_size,跨步
#大小要跟对应下采样设置的值一样大小。这样才可恢复到相同的wh。这里时反卷积操作。
返回nn.ConvTranspose2d (
in_channels,
out_channels,
kernel_size=2,
步=2)
其他:
# out_channels总是相同的
#作为in_channels
#这里不会改变通道数,其中scale_factor是上采用的放大因子,其是相对于当前的
#输入大小的倍数
返回nn.Sequential (
神经网络。Upsample(模式=双线性,scale_factor=2, align_corners=True))
#这里的代码是在这里设置多一个卷积,这样子就起到了可以修改其输出通道的功能了。
#相当于功能跟ConvTranspose2d()差不多,只是上采样的方法不同
conv1x1 ((in_channels out_channels))
def conv1x1 (in_channels out_channels、组=1):
返回nn.Sequential (nn.Conv2d (
in_channels,
out_channels,
kernel_size=1,
组=组,
步=1),
nn.BatchNorm2d (out_channels))
<强>另一种上采样的方法是,参考代码:segnet_pytorch:
#第五阶段
x51=F.relu (self.bn51 (self.conv51 (x4p)))
x52=F.relu (self.bn52 (self.conv52 (x51)))
x53=F.relu (self.bn53 (self.conv53 (x52)))
#这个id5记录的是池化操作时最大值的指数,其要设置参数return_indices为真实的
x5p id5=F。max_pool2d (x53 kernel_size=2,步=2,return_indices=True)
# 5 d阶段
#这个是进行最大值上采样的函数,其是根据id5来把值放到什么位置,其它位置没有值的地方
补0
x5d=F。max_unpool2d (x5p id5 kernel_size=2,步=2)
x53d=F.relu (self.bn53d (self.conv53d (x5d)))
x52d=F.relu (self.bn52d (self.conv52d (x53d)))
x51d=F.relu (self.bn51d (self.conv51d (x52d)))
<强>测试例子:
#测试上采样
m=nn.MaxPool2d((3、3)步=(1,1),return_indices=True)
芬欧蓝=nn.MaxUnpool2d((3、3)步=(1,1))
data4=torch.randn (1, 1, 3, 3)
output5指数=m (data4)
output6=芬欧蓝(output5指数)
data4打印(' \ ndata4: ',
‘\ nmaxPool2d’, output5,
“\ nindices:”,指标,
' \ noutput6:“, output6)
<强>其输出为:
data4:张量([[[(2.3151,-1.0391,0.1074),
(1.9360,0.2524,2.3735),
[-0.1151,0.4684,-1.8800]]]])
maxPool2d张量([[[[2.3735]]]])
指标:张量([[[[5]]]])
output6:张量([[[(0.0000,0.0000,0.0000),
(0.0000,0.0000,2.3735),
[0.0000,0.0000,0.0000]]]])
以上这篇pytorch进行上采样的种类实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
