Deep learning Keras：扩大层输出斑点空间尺寸的方法

什么方法可以用来扩大图层输出blob的空间尺寸

据我从文件中所见，它可以是：

它是否仅在2的幂次下进行上采样？ 而且它

分别按大小[0]和大小[1]重复数据的行和列。

而且它不是很聪明

它可以有任意的输出大小（不是2 upsapple的幂）

如何实现任意维数的双线性插值（可以使用固定权重进行转置？）

还有什么其他选项可以用来扩大图层输出blob的空间尺寸

在上展开，下面是在Keras Lambda层中包裹TensorFlow双线性图像大小调整的完整示例：

从keras导入顺序
从keras.layers导入Lambda
导入tensorflow作为tf
def上采样2双线性（大小）：
返回Lambda（Lambda x:tf.image.resize_双线性（x，size，align_corners=True））
上取样器=顺序（[UpSampling2DBilinear（（256，256）））
upsampled=upsampler.predict（图像）

请注意，

align_corners=True

可获得与其他双线性图像上采样算法类似的性能，如中所述

要使用双三次重采样，请创建一个新函数并将

resize\u bilinear

替换为

resize\u bicubic

对于更类似于UpSampling2D的实现，请尝试以下操作：

从keras导入后端为K
def上采样2双线性（步幅，**kwargs）：
def层（x）：
输入形状=K.int形状（x）
输出形状=（步幅*输入形状[1]，步幅*输入形状[2]）
返回tf.image.resize\u双线性（x，输出\u形状，对齐\u角=真）
返回Lambda（层，**kwargs）

---

这将允许您使用

name='

，

input\u shape='

和

Lamba

的其他参数，并允许您传递整数步长/上采样量。

您可以定义自己的调整层：

from keras import layers, models, utils
from keras.backend import tf as ktf

class Interp(layers.Layer):
    def __init__(self, new_size, **kwargs):
        self.new_size = new_size
        super(Interp, self).__init__(**kwargs)

    def build(self, input_shape):
        super(Interp, self).build(input_shape)

    def call(self, inputs, **kwargs):
        new_height, new_width = self.new_size
        resized = ktf.image.resize_images(inputs, [new_height, new_width],
                                          align_corners=True)
        return resized

    def compute_output_shape(self, input_shape):
        return tuple([None, self.new_size[0], self.new_size[1], input_shape[3]])

    def get_config(self):
        config = super(Interp, self).get_config()
        config['new_size'] = self.new_size
        return config

---

没有内置的方法可以做到这一点。如果您使用的是TF后端，您可以使用它并将其包装在Keras Lambda层中。Zeropadding呢？