keras UpSampling2D/3D

UpSampling2D

看tf文档中的解析：

tf.keras.layers.UpSampling2D：Upsampling layer for 2D inputs.

在一个2D输入中进行上采样操作，其实就是复制并且扩展相应的维度。

UpSampling3D

既然有2D和3D之分，对于"channels_last"的数据格式(batch, rows, cols, channels），猜想是UpSampling2D扩展rows, cols,而UpSampling3D可以扩展rows, cols, channels三个维度。

验证

def up_suampling_2D():
	model = Sequential()
	model.add(layers.UpSampling2D(size=(3, 2), input_shape = ((3, 3, 1))))
	return model

参数size，看文档的解析：

size: Int, or tuple of 2 integers. The upsampling factors for rows and columns.

接受一个由两个整数组成的tuple，第一个整数表示rows方向的扩展倍数，第二个表示columns方向的扩展倍数。 （输入int应该是两个方向的扩展倍数都是int）

def test():
	model = up_suampling_2D()
	data_test = np.arange(9).reshape((1, 3, 3, 1))
	predict_result = model.predict(data_test)
	print(data_test)
	print(predict_result)

便于观察，测试数据data_test 是一个 0-8的4维矩阵。以上输出的结果为：
data_test：
[[
[[0]，[1]，[2]]，
[[3]，[4]，[5]]，
[[6]，[7]，[8]]，
]]

predict_result:
[[
[[0.], [0.].[1.],[1.],[2.],[2.]],
[[0.], [0.].[1.],[1.],[2.],[2.]],
[[0.], [0.].[1.],[1.],[2.],[2.]],

[[3.],[3.],[4.],[4.],[5.],[5.]],
[[3.],[3.],[4.],[4.],[5.],[5.]],
[[3.],[3.],[4.],[4.],[5.],[5.]],

[[6.],[6.],[7.],[7.],[8.],[8.]],
[[6.],[6.],[7.],[7.],[8.],[8.]],
[[6.],[6.],[7.],[7.],[8.],[8.]],
]]

可以发现 行扩展了3倍，列扩展了2倍(size =（3，2）)。

接下来试一下UpSampling3D：

def up_suampling_3D():
	model = Sequential()
	model.add(layers.UpSampling3D(size=(3, 2, 2), input_shape = ((3, 3, 1))))
	return model

因为是3D所以size也需要多加channels维度，表示在通道方向上的扩展倍数。
predict_result:
[[
[[0., 0.], [0., 0.].[1.,1.],[1.,1.],[2.,2.],[2.,2.]],
[[0., 0.], [0., 0.].[1.,1.],[1.,1.],[2.,2.],[2.,2.]],
[[0., 0.], [0., 0.].[1.,1.],[1.,1.],[2.,2.],[2.,2.]],

[[3.,3.],[3.,3.],[4.,4.],[4.,4.],[5.,5.],[5.,5.]],
[[3.,3.],[3.,3.],[4.,4.],[4.,4.],[5.,5.],[5.,5.]],
[[3.,3.],[3.,3.],[4.,4.],[4.,4.],[5.,5.],[5.,5.]],

[[6.,6.],[6.,6.],[7.,7.],[7.,7.],[8.,8.],[8.,8.]],
[[6.,6.],[6.,6.],[7.,7.],[7.,7.],[8.,8.],[8.,8.]],
[[6.,6.],[6.,6.],[7.,7.],[7.,7.],[8.,8.],[8.,8.]],
]]

可以发现通道方向也扩展了2倍。

PS：推断keras或者tensorflow对矩阵数据的处理方式是先处理channels维度，再处理cols最后是rows维度。也可以说处理顺序是从高维到低维。