上采样
可以将较小的 feature 映射回一个较大的 feature map，这样的操作称为上采样，常用的上采样包括转置卷积，反池化，插值等操作。
小特征图 -> 大特征图
可学习的上采样：转置卷积
转置卷积，也叫反卷积，它并不是正向卷积的完全逆过程，用一句话来解释：
反卷积是一种特殊的正向卷积，先按照一定的比例通过补 0 来扩大输入图像的尺寸，再进行普通的卷积。
卷积核大小：kernelsize
卷积步长：stride
特征图填充宽度：padding
对于普通的 kernelsize=(3,3),strides=(2,2) 的卷积，其过程如下图所示
kernelsize=(3,3),strides=(1,1) 情况下的反卷积则体现为：
我们可以发现，对于反卷积而言，补 0 主要是通过输入边缘的 padding 和输入内部插 0 实现。
具体的说，padding 的层数为 $kernelsize−stride$，而对于输入的内部插 0，其插入的 0 的数量为$stride−1$。
接口与参数说明
torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)
- in_channels(int) – 输入信号的通道数
- out_channels (int) – 卷积产生的通道数
- kerner_size (int or tuple) - 卷积核的大小
- stride (int or tuple,optional) - 卷积步长，即要将输入扩大的倍数。
- padding (int or tuple, optional) - 输入的每一条边补充0的层数，高宽都增加2*padding
- output_padding (int or tuple, optional) - 输出边补充0的层数，高宽都增加padding
- groups (int, optional) – 从输入通道到输出通道的阻塞连接数
- bias (bool, optional) - 如果bias=True，添加偏置
- dilation (int or tuple, optional) – 卷积核元素之间的间距
输出尺寸的计算公式为:
$$
H_{out}=(H_{in}-1)stride[0]-2padding[0]+kernelsize[0]+outputpadding[0]\W_{out}=(W_{in}-1)stride[1]-2padding[1]+kernelsize[1]+outputpadding[1]
$$
