pytorch模型使用nn.UpsamplingBilinear2d转到TDA4有精度损失的原因

pytorch中的UpsamplingBilinear2d的初始化函数

def __init__(self, size: Optional[_size_2_t] = None, 
scale_factor: Optional[_ratio_2_t] = None) -> None:

   super(UpsamplingBilinear2d, self).__init__(size,
    scale_factor, 
    mode='bilinear', 
    align_corners=True)

align_corners设置成了True，并且在构造函数中无法改变这个值（构造函数中只有size和scale_factor）。只要调用了他，就是align_corners=True。关于pytorch为什么要这样设置呢，我才是因为True的情况一般才是大家想要的，在resize的过程中，会有一些点的像素值，不会发生改变。如果是align_corners为False的情况，那么可能在resize之后，不会有和原来像素一样的点（如下图）

可以使用下面这样代码来实现align_corners=False情况的双线性插值。

nn.Upsample(scale_factor=2,mode='bilinear',align_corners=False)

 按理说这样也不会造成精度损失，但是在TDA4当前版本（2022年5月30日）中，并不支持True的情况，所以造成了我训练的时候使用了True，到了板端变成了False，就会有三个点左右的精度损失（和使用resize的次数有关，次数少一般不会有那么大的精度损失）。

尝试解释一下为什么TDA4不支持True？我猜测是因为对于第二种情况，且resize是偶数的时候，周围点的系数（对当前的点贡献度）对于每个点都是一致的，所以会快一些。True的情况下明显每个点的系数是不同的。并且TDA4的文档中写了：

Only support Power of 2 and symmetric resize. 对称 resize和align_corners = False应该是一回事。

没有很快定位原因分析：

1. 排查问题的流程不对。参数false和true的时候，都应该测试pc精度，和tda4精度。而我只是测试了true情况下的pc和板端。false下的tda4精度。原因是我认为调整了参数，板端精度还不对，就不该再测试。没有意识到这个调整已经影响了pc精度（指的是pth或者onnx精度，它们精度是一样的）。
2. 对英语symmetric不熟悉。或者说是不敏感，对不对称的有啥区别。
3. 对align_corners参数的具体作用不熟悉。如果非常熟悉这个参数，应该就能很快解决问题了。或者根本就不会出现这个问题。