138、转置卷积替换 nn.Upsample 的实验：可学习上采样 vs 固定插值的精度对比
一个让我熬夜三天的bug
去年做工业缺陷检测项目，模型在边缘设备上部署时发现一个诡异现象：训练时mAP@0.5能到0.92，但转成TensorRT后直接掉到0.78。排查了两天，最后定位到是nn.Upsample的bilinear模式在TRT上精度对齐有问题。当时我就想，如果换成可学习的转置卷积，是不是能避免这种坑？后来在YOLOv5的某个issue里看到有人提过类似问题，但一直没系统对比过。
今天这篇笔记，就是把我踩过的坑和实验数据整理出来。别指望转置卷积是万能药，但某些场景下它确实能救命。
为什么会有这个需求
YOLOv11的Neck部分默认用nn.Upsample做上采样，模式是nearest（最近邻插值）。这个选择很聪明——速度快、梯度稳定、部署友好。但问题在于：
- 信息瓶颈：固定插值无法根据特征图内容自适应调整，相当于硬编码了上采样核
- 梯度传递：nn.Upsample在反向传播时梯度是固定的，不会像卷积那样学习到更好的上采样策略
- 部署差异：不同推理框架对插值算法的实现细节不同，容易产生精度漂移
转置卷积（Transposed Convolution）本质上是可学习的上采样层，它通过卷积核参数来学
