能否修改AWS上已有的深度学习模型实现并添加upsampling layer？

可以实现你需要的模型修改效果，但无法直接改动SageMaker平台内置封装的语义分割算法源码，需要通过自定义模型路径落地需求。

核心限制说明 #

• SageMaker提供的内置语义分割算法属于预编译托管服务，容器内的模型实现、依赖包均已提前打包封闭，用户无权限直接修改内置算法的网络结构，无法直接在托管版本的DeepLabv3网络中插入自定义上采样层。
• 该内置语义分割算法基于特定提交版本的GluonCV开源仓库实现，你可以基于对应版本的源码做二次开发，无需从零复现原有模型逻辑。

落地操作步骤 #

• 拉取对应版本的GluonCV源码，定位到DeepLabv3模型实现文件，在网络末端新增目标上采样层，将输出特征图分辨率调整到高于原始输入的尺寸，同步修改模型前向传播逻辑、损失函数计算规则，确保输出张量和标注数据的尺寸、维度完全匹配，满足原始影像统计降尺度的输出要求。
• 适配SageMaker运行环境：二选一即可，一是基于MXNet官方镜像构建自定义训练容器，将修改好的模型代码打包进容器；二是使用SageMaker脚本模式，直接在官方提供的GluonCV适配框架入口下挂载自定义模型代码，无需从头构建容器。两种方式均兼容你之前使用内置算法时的数据集格式、训练输入配置，不需要额外做数据转换。
• 训练调优阶段建议先冻结原有DeepLabv3的骨干网络预训练权重，仅训练新增的上采样层，待训练损失下降稳定后再放开部分骨干层做联合微调，既可以加快收敛速度，也能避免破坏原有模型在语义分割任务上的预训练效果。这类末端加上采样层做影像降尺度的方案已经在UNet架构上完成可行性验证，迁移到DeepLabv3时建议将新增上采样层的初始权重设置为双线性插值核，可进一步降低训练难度。
• 训练完成后导出模型权重，编写对应的推理预处理、后处理逻辑，部署为SageMaker自定义推理端点即可使用，部署后的端点调用方式和原有内置算法端点完全兼容，不需要修改业务侧原有调用逻辑。

内容的提问来源于stack exchange，提问作者Sean Carter