上采样和下采样层 nn.pixelshuffle and nn.pixelunshuffle

最新推荐文章于 2025-05-11 16:00:39 发布

Andy Dennis

最新推荐文章于 2025-05-11 16:00:39 发布

阅读量2.5k

点赞数 2

CC 4.0 BY-SA版权

文章标签： pytorch 深度学习人工智能计算机视觉

本文链接：https://blog.csdn.net/weixin_43850253/article/details/131531524

该文介绍了在深度学习中用于特征图尺寸变化的Downsample和Upsample操作，分别通过卷积和PixelUnshuffle/PixelShuffle层来改变通道维度和空间尺寸，以达到降采样和上采样的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

理论部分后面有空的时候补一下，这里先放代码和简要说明。

Downsample

这里先对channel维度降低为原来 $1/2$ ，然后再对channel维度提升 $r^2$ 倍数, 这里 $r = 2$ (nn.PixelUnshuffle中的参数)，同时特征图的宽度和高度都会缩减为原来的 $1/ r$

class Downsample(nn.Module):
    def __init__(self, n_feat):
        super(Downsample, self).__init__()

        self.body = nn.Sequential(nn.Conv2d(n_feat, n_feat//2, kernel_size=3, stride=1, padding=1, bias=False),
                                  nn.PixelUnshuffle(2))

    def forward(self, x):
        return self.body(x)

给个例子吧.

ds = Downsample(16)
# up = Upsample(16)
x = torch.randn(1, 16, 64, 64)
x = ds(x)
# x = up(x)
print(x.shape)  # torch.Size([1, 32, 32, 32])

这里 $[1, 16, 64, 64]$ 经过 conv 层后变为 $[1, 8, 64, 64]$ , 然后经过 PixelUnshuffle 层变为 $\times 4, 64 / 2, 64 / 2]=[1, 32, 32,32]$

Upsample

这里先对channel维度提升为原来的 $2$ 倍，然后再对channel维度降低为原来的 $1/(r^2)$ , 这里 $r = 2$ (nn.PixelUnshuffle中的参数)，同时特征图的宽度和高度都会扩大为原来的 $2$ 倍。

class Upsample(nn.Module):
    def __init__(self, n_feat):
        super(Upsample, self).__init__()

        self.body = nn.Sequential(nn.Conv2d(n_feat, n_feat*2, kernel_size=3, stride=1, padding=1, bias=False),
                                  nn.PixelShuffle(2))

    def forward(self, x):
        return self.body(x)

给个例子吧

# ds = Downsample(16)
up = Upsample(16)
x = torch.randn(1, 16, 64, 64)
# x = ds(x)
x = up(x)
print(x.shape)  # torch.Size([1, 8, 128, 128])

这里 $[1, 16, 64, 64]$ 经过 conv 层后变为 $[1, 32, 64, 64]$ , 然后经过 PixelUnshuffle 层变为 $\times 2, 64 \times 2]=[1, 8, 128, 128]$