在keras里实现自定义上采样层

Keras里的UpSampling2D层不是中的双线性内插，而是简单的重复图像。这点和pytorch不一样，pytorch默认使用的是双线性内插。

同样：这里仍然使用的是keras而不是tf.keras.

keras里UpSampling2D的部分定义说明如下：

class UpSampling2D(Layer):
  """Upsampling layer for 2D inputs.
  Repeats the rows and columns of the data
  by size[0] and size[1] respectively.

可以看出，这里的上采样确实只是简单的图像重复。

要想使用双线性或者最近邻或者双三次插值上采样，则需要在tf的tf.image.resize_images函数基础上进行包装，代码如下：

####定义：
def my_upsampling(x,img_w,img_h,method=0):
  """0：双线性差值。1：最近邻居法。2：双三次插值法。3：面积插值法"""
  return tf.image.resize_images(x,(img_w,img_h),0)
 
###调用：
Lambda(my_upsampling,arguments={'img_w':self.img_w,'img_h':self.img_h})(output_6)
 
###load_model时注意加上tf：
model = keras.models.load_model('my_model.h5', custom_objects={'tf': tf})

补充知识：keras中使用内置模型语义分割上采样维度不匹配

1.卷积时要使用padding=same因此要修改原来的padding=valid

x = conv2d_bn(img_input, 32, 3, strides=2, padding=’same’)

2.池化时卷积核大小修改为2而不是原来的3

branch_pool = layers.MaxPooling2D(2, strides=2, padding=’same’)(x)

以上这篇在keras里实现自定义上采样层就是小编分享给大家的全部内容了，希望能给大家一个参考。