pytorch与caffe中上采样upsample与反卷积的总结

1.关于pytorch中的upsample、反卷积的解释：

https://blog.csdn.net/g11d111/article/details/82855946

2.关于反卷积与上采样的区别

https://www.zhihu.com/question/63890195

3.关于双线性差值的实现

https://www.cnblogs.com/yssongest/p/5303151.html

 

自己的一点思考：

最近项目中用到了pytorch与caffe模型的相互转换，在pytorch中的upsample层转caffe时，当差值模式为nearest时转换后用的caffe中的upsample层（yolov3的实现），而当模式用bilinear时，转换后caffe用的deconvolution层，以此带出了我对caffe中上采样upsample与反卷积deconvolution的再次思考，在看完上述1和2博客中大神们的总结后，我对这两个有了如下理解：

基于yolov3实现的caffe的upsample层是没有权重的，它就相当于把输入的数据的宽和高扩大scale倍输出，这个扩大的过程就相当于把一个位置的数据复制给它旁边一个scale范围的数据，这个和最近邻差值原理一样，所以pytorch上采样是nearest时，其实与caffe的upsample的处理是相同的

而deconvolution层是给输入数据先添加空洞0，然后再卷积的过程，因为用到卷积核，所以有权重，这个权重是需要外界输入的，也可以学习的，pytorch的双线性其实是给这个权重做了个初始化。如果只针对反卷积层来说，它可以由任意一种方式得到权重，比如提前给它初始化，或者通过训练来学习，转模型时候就是直接给它按照双线性计算的，如果用其他的差值方式也可以用其他的计算来得到权重。

对于pytorch来说，upsample 最近邻没有权重，双线性类似有权重，不过不是训练学习到的 ，直接计算得到的。