Python 深度学习和梯度伪影中的平均池层

我知道在卷积层中，内核大小需要是步长的乘积，否则它将在梯度计算中产生伪影，如棋盘问题。 现在，它在池层中也像这样工作吗？我在某个地方读到，最大池也会导致类似的问题。以鉴别器中的这一行为例：

  self.downsample = nn.AvgPool2d(3, stride=2, padding=1, count_include_pad=False)

我有一个模型（MUNIT），这是它制作的图像：

---

看起来像是棋盘问题，或者至少是梯度问题，但我检查了卷积层，没有发现上面描述的错误。它们的步幅都是4号，步幅是2号，或者步幅是1号，大小不均匀。

老实说，这看起来不像是棋盘游戏。此外，我不认为鉴别器会是问题，它通常是关于图像恢复（生成器或解码器）

快速查看了MUNIT，他们在

解码器中使用的是
torch.nn.Upsample
和最近邻上采样（精确的代码行）

您可以尝试使用
torch.nn.Conv2d
，后跟如下内容：

import torch

in_channels = 32
upscale_factor = 2
out_channels = 16

upsampling = torch.nn.Sequential(
    torch.nn.Conv2d(
        in_channels,
        out_channels * upscale_factor * upscale_factor,
        kernel_size=3,
        padding=1,
    ),
    torch.nn.PixelShuffle(upscale_factor),
)

image = torch.randn(1, 32, 16, 16)

upsampling(image).shape  # [1, 16, 32, 32]

这使得神经网络能够学习如何对图像进行上采样，而不仅仅是使用网络无法控制的
torch.nn.upsample
（使用下面的技巧，它也应该没有棋盘效应）

此外，
Conv2d
的ICNR初始化也应该有帮助（可能的实现或更改）。该初始方案初始化权重，使其作用类似于开始时的最近邻上采样（研究论文）