优先用nn.Upsample——插值模式可控、无棋盘伪影且不增参数；ConvTranspose2d易因配置不当产生网格效应，需严格设kernel_size=4、stride=2、padding=1、output_padding=0。
PyTorch里用torch.nn.Upsample还是nn.ConvTranspose2d做上采样？
超分辨率模型的核心是上采样，但选错层会直接导致伪影或训练不收敛。默认用nn.Upsample（双线性/双三次插值）更安全——它不引入可学习参数，能稳定初始化，适合ESRGAN、EDSR这类先插值再精修的结构。而nn.ConvTranspose2d虽可学习，但容易产生棋盘效应（checkerboard artifacts），尤其在步长=2时；若要用，必须搭配output_padding=0和stride=2严格对齐输出尺寸，且建议后续接nn.PixelShuffle替代。
如何让nn.PixelShuffle不报RuntimeError: Invalid channel size？
这是最常踩的坑：nn.PixelShuffle(upscale_factor)要求输入通道数必须能被upscale_factor**2整除。比如想4倍超分（upscale_factor=4），输入通道就必须是16的倍数（如64、128）。常见错误是主干网络输出通道没对齐，例如ResNet块后直接接PixelShuffle却忘了调整最后一层Conv2d的out_channels。解决方法：
- 检查上采样前的
Conv2d输出通道：设为upscale_factor ** 2 * n_channels（n_channels通常为3） - 确认输入张量形状：
[B, C, H, W]中C % (upscale_factor**2) == 0 - 调试时打印
x.shape，别只信网络定义
训练时torch.cuda.amp自动混合精度为什么会让PSNR崩掉？
混合精度训练（torch.cuda.amp）在超分任务中容易出问题，因为PSNR计算依赖浮点精度，而autocast可能把torch.float32的标签图（ground truth）转成float16参与loss计算，导致梯度噪声放大。现象是验证PSNR震荡剧烈、收敛变慢甚至下降。关键对策：
- loss计算前强制用
.float()：如loss = criterion(pred.float(), target.float()) - PSNR评估阶段禁用
autocast，用with torch.no_grad():包裹并显式转float32 - 避免在
autocast上下文中做图像归一化/反归一化操作
加载预训练权重时load_state_dict报Missing key(s) in state_dict怎么办？
开源模型（如EDSR官方权重）常带model.前缀，而你定义的网络没有。直接model.load_state_dict(...)必然失败。别删键名重写dict——用state_dict = {k.replace("model.", ""): v for k, v in state_dict.items()}即可。更稳妥的做法是用strict=False并检查缺失项：
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
立即学习“Python免费学习笔记（深入）”；
model.load_state_dict(state_dict, strict=False) # 然后print缺失的key，确认只是"model."前缀而非结构不匹配
另外注意：如果模型用了nn.DataParallel保存，key会带module.前缀，需同样清洗；单卡加载多卡权重时漏这步，连第一个卷积层都加载不上。
超分辨率模型的细节陷阱基本都在数据流路径上：上采样方式决定伪影有无，通道数对齐决定能否跑通，精度控制影响指标可信度，权重加载方式决定能不能复现结果。这些地方一松懈，模型可能全程在拟合噪声。
