caffe之upsample实现

June_Hou

已于 2022-08-29 15:04:19 修改

阅读量681

点赞数

文章标签： caffe 人工智能深度学习

于 2022-08-29 15:02:18 首次发布

本文链接：https://blog.csdn.net/u012385733/article/details/126583735

版权

upsample

1. src/caffe/proto/caffe.proto

添加upsamper参数描述

message UpsampleParameter{
  optional int32 scale = 1 [default = 1];
}
message LayerParameter{
...
 optional UpsampleParameter upsample_param = 149;  //序号不冲突即可
}

2. upsample 实现参考

https://github.com/SeanQ88/caffe_upsample

实现分析

假设输入为2x2, scale=2.0；则输出则为4x4

1. 原矩阵2x2


1	2
3	4

2. 经过upsample, scale=2.0,


1	1	2	2
1	1	2	2
3	3	4	4
3	3	4	4

3. 核心算法如下

用目的坐标映射到原坐标

input NCHW=(1,1,2,2)
ouput NCHW=(1,1,4,4)

int N = 1, C =1, H = 4, H = 4;
for (int n = 0; n <N; n++) {
	for (int c = 0; c < C; c++) {
		for (int h = 0; h < H; h++){
			for (int w = 0; w< W; w++) {
				//计算目的坐标到原坐标的对应关系;
				int nw = w / scale_; 
				int nh = h / scale_;
				//n * C * H * W + c * H * W + h * W + w
				//output_dix 坐标计算可自行化简,可得如下
				int output_idx = (((n * C + c) * H) + h) * W + w;
				//input_dix坐标同理，可得如下, 就是把HxW scale到原HxW
				int input_idx = (((n * C + c) * (H/scale)) + nh) * (W/sacle) + nw;
			}
		}
	}
}

4. 反向传播

由于bottom_diff是NCHW=(1,1,2,2), top_diff(1,1,4,4)
并且scale是常数，不参数梯度，即可认为是f = x,导数为f’=1
从整个表达来说f = scale * x，top_diff * scale 应该也是可以的，然后再做如下运算，传递梯度到下一层。如有理解误的，望指正。

  for (int n = 0; n < N; n++) {
    for (int c = 0; c < C; c++) {
      for (int h = 0; h < H; h++) {
        for (int w = 0; w < W; w++) {
          for (int i = 0; i < scale_; i++) {
            for (int j = 0; j < scale_; j++) {
              int nw = w * scale_ + i;
              int nh = h * scale_ + j;
              int out_idx = (((n * C + c) * H) + h) * W + w;
              int in_idx = (((n * C + c) * (H * scale_))
                  + nh) * (W * scale_) + nw;
              bottom_diff[out_idx] += top_diff[in_idx];
            }
          }
        }
      }
    }
  }