Класс UpSampling2D

Класс UpSampling2D применяется к данным для увеличения их пространственных размеров: высоты и ширины. Слой повторяет строки и столбцы входного тензора заданное число раз. Первым параметром передается кортеж из двух чисел или одно число size - коэффициент увеличения по высоте и ширине. Вторым параметром можно передать метод интерполяции interpolation - например, nearest или bilinear. Слой часто используется в генеративных сетях и автоэнкодерах для восстановления размерности после сжатия.

Синтаксис

tf.keras.layers.UpSampling2D(size=(2, 2), [interpolation="nearest"])

Пример

Давайте создадим слой UpSampling2D с коэффициентом увеличения 2 и применим его к тензору формы (1, 2, 2, 1):

import tensorflow as tf

layer = tf.keras.layers.UpSampling2D(size=(2, 2))
t = tf.constant([[[[1], [2]], [[3], [4]]]])
res = layer(t)
print(res)

Результат выполнения кода:

tf.Tensor(
[[[[1]
   [1]
   [2]
   [2]]

  [[1]
   [1]
   [2]
   [2]]

  [[3]
   [3]
   [4]
   [4]]

  [[3]
   [3]
   [4]
   [4]]]], shape=(1, 4, 4, 1), dtype=int32)

Пример

Давайте применим слой к тензору с тремя каналами и размером (1, 2, 2, 3):

import tensorflow as tf

layer = tf.keras.layers.UpSampling2D(size=(2, 2))
t = tf.constant([[
	[[1, 2, 3], [4, 5, 6]],
	[[7, 8, 9], [10, 11, 12]]
]])
res = layer(t)
print(res.shape)

Результат выполнения кода:

(1, 4, 4, 3)

Пример

Давайте используем метод интерполяции bilinear вместо стандартного nearest:

<+python+> import tensorflow as tf layer = tf.keras.layers.UpSampling2D( size=(2, 2), interpolation="bilinear" ) t = tf.constant([[[[1.0], [2.0]], [[3.0], [4.0]]]]) res = layer(t) print(res) <-python+>

Результат выполнения кода:

tf.Tensor(
[[[[1. ]
   [1.5]
   [2. ]
   [2. ]]

  [[2. ]
   [2.5]
   [3. ]
   [3. ]]

  [[3. ]
   [3.5]
   [4. ]
   [4. ]]

  [[3. ]
   [3.5]
   [4. ]
   [4. ]]]], shape=(1, 4, 4, 1), dtype=float32)

Пример

Давайте встроим слой UpSampling2D в модель Keras вместе со слоем Conv2D:

import tensorflow as tf

model = tf.keras.Sequential([
	tf.keras.layers.Input(shape=(2, 2, 1)),
	tf.keras.layers.UpSampling2D(size=(2, 2)),
	tf.keras.layers.Conv2D(1, (3, 3), padding="same")
])
model.summary()

Результат выполнения кода:

Model: "sequential"
┏━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━┓
┃ Layer (type)					┃ Output Shape		   ┃	   Param # ┃
┡━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━┩
│ up_sampling2d (UpSampling2D)	│ (None, 4, 4, 1)		│			 0 │
├─────────────────────────────────┼────────────────────────┼───────────────┤
│ conv2d (Conv2D)				 │ (None, 4, 4, 1)		│			10 │
└─────────────────────────────────┴────────────────────────┴───────────────┘
Total params: 10 (40.00 B)
Trainable params: 10 (40.00 B)
Non-trainable params: 0 (0.00 B)

Смотрите также

класс Conv2DTranspose,
который выполняет транспонированную свертку с увеличением размерности
класс Conv2D,
который выполняет двумерную свертку над изображениями
класс ZeroPadding2D,
который добавляет нулевые отступы вокруг тензора
класс Reshape,
который изменяет форму тензора без изменения данных