**说明:**在嵌入式端部署,ncnn是常用的部署方式,ncnn最新版本已经支持上采样,但有的嵌入式端还不能兼容最新的ncnn库,或是替换成本较高,而不支持上采样;众所周知,上采样融合各层输出特征后进行解码输出,使得模型能够获得很好的输出,此时为了CNN模型的性能,就需要使用本文章所介绍的方法:转置卷积来替换上采样操作。
如图所示:
转置卷积代码为:
self.deconv2 = nn.ConvTranspose2d(in_channels=9, out_channels
**说明:**在嵌入式端部署,ncnn是常用的部署方式,ncnn最新版本已经支持上采样,但有的嵌入式端还不能兼容最新的ncnn库,或是替换成本较高,而不支持上采样;众所周知,上采样融合各层输出特征后进行解码输出,使得模型能够获得很好的输出,此时为了CNN模型的性能,就需要使用本文章所介绍的方法:转置卷积来替换上采样操作。
如图所示:
转置卷积代码为:
self.deconv2 = nn.ConvTranspose2d(in_channels=9, out_channels