在pytorch中，nn.Upsample和ConvTranspose（包含nn.ConvTranspose1d、nn.ConvTranspose2d和nn.ConvTranspose3d）均可以实现上采样。那么是模型设计上应该使用哪一种呢？
实际上，在模型中应该使用哪一种并无严格的约束条件，习惯上可以视设计的网络层的作用而定。
nn.Upsample仅通过插值实现，没有参数也不需要模型训练学习。如果只是想单纯实现特征图上采样或者比较在意模型参数量，那么nn.Upsample必然是很好的选择。
ConvTranspose则是通过转置卷积实现，会引入一定的参数量，故需要进行训练，相对于nn.Upsample其能获得更加细粒度的高频信息。如果想让模型学会如何上采样那么就可以考虑ConvTranspose，如在GAN中生成图像。
当然，两者的适用场景不是绝对的。以UNet为例，在原文中上采样用转置卷积完成，而后续很多实现则是用Upsample+\(1\times 1\)conv实现，这样的一个明显好处是相对于转置卷积来说参数量更少，而在性能上两者几乎是没有区别的。（参考Github作者@jvanvugt的讨论）。
区别总结：
| Upsample | ConvTranspose | |
|---|---|---|
| 实现机制 | 插值 | 转置卷积，可训练学习 |
| 参数 | 无 | 有 |
| 可处理数据维度 | 1D、2D、3D | ConvTranspose1d：1D ConvTranspose2d：2D ConvTranspose3d：3D |
| 场景 | 分割、检测等特征上采样 | GAN、高分辨率 |