下采样和上采样通俗理解

下采样的作用：

①降维，减少图片尺寸，减轻计算量，防止过拟合
②对卷积得到的Feature MapFeatureMap 进行进一步压缩
通俗的说，实际上就是卷积层之间的池化操作。

作用： 通过最大池化或者平均池化从而减少了特征，减少了参数的数量，且降低了卷积网络计算的复杂度；实际上就是过滤掉那些作用小、信息冗余的特征，保留关键信息。

下采样原理：

对于图片尺寸为H*W，对它进行s倍的下采样，可以得到(H/s)*(W/s）尺寸的分辨率图像。

下采样的方式主要有两种：

1、采用stride为2的池化层，如Max-pooling和Average-pooling，目前通常使用Max-pooling，因为他计算简单而且能够更好的保留纹理特征。

如下：过滤器为2×2，步长为2，过滤器步长为1的话，池化后尺寸为3×3.

2、采用stride为2的卷积层，下采样的过程是一个信息损失的过程，而池化层是不可学习的，用stride为2的可学习卷积层来代替pooling可以得到更好的效果，当然同时也增加了一定的计算量。

上采样的作用

① 放大图片
② 增加图片的分辨率
        就是将提取到的Feature Map进行放大， 从而以更高的分辨率进行显示图像。这里的方法图像放大，并不是简单地方法放大，也不是之前下采样的逆操作。
        也就是说上采样放大后输出的图像和下采样之前的图像是不一样的。

常用的上采样方法有两种：

        1. 双线性插值

        2. 转置卷积

         转置卷积不是卷积的逆运算，是卷积的一种。转置卷积可以使图片恢复成卷积之前原来尺寸的大小，但是对应像素点的数值会发生改变。

转置卷积的操作：

        1. 在输入特征图元素间填充s-1行、列0（其中s表示转置卷积的步距）注意这里的步距不代表步长

        2. 在输入特征图四周填充k-p-1行、列0（其中k表示转置卷积的kernel_size大小，p为转置卷积的padding，注意这里的padding和卷积操作中有些不同）普通卷积是补0，这里的padding是

        3. 将卷积核参数上下、左右翻转

        4. 做正常卷积运算（填充0，步距1）

s=1, p=0, k=3

s=2, p=0, k=3