最近做專案用到了這兩個函式，本人經過仔細對比，認為它們的功能應該是完全一樣的，都是將一個較多通道的特徵變成較少通道的特徵，具體定義如下：

def depth_to_space(input, block_size, name=None):

   block_size用來說明資料移動的方式。該函式的操作是將block_size x block_size數目的特徵圖轉換成一個不重疊的特徵，新的特徵高度為input_heigh x block_size，寬度為input_width x block_size，其中block_size大小一定是大於1的整數，為了觀察該函式的效果，本人寫了如下一段程式：

import tensorflow as tf
x = tf.constant([[[[1, 2, 3, 15], [4, 5, 6, 16]],
      [[7, 8, 9, 17], [10, 11, 12, 13]]]])
print(x.shape)
y = tf.depth_to_space(x,2)
with tf.Session() as sess:
     z = sess.run(y)
print(z)
輸出結果為：
[[[[ 1]
   [ 2]
   [ 4]
   [ 5]]

  [[ 3]
   [15]
   [ 6]
   [16]]

  [[ 7
 
]
   [ 8]
   [10]
   [11]]

  [[ 9]
   [17]
   [12]
   [13]]]]

   我做了一下模擬，大概是以下這樣的：

   方塊是原來的特徵圖，該操作就是將圈裡的部分重新組合成一行，總共四行，從四個2x2特徵圖變成一個4x4的特徵圖。對於pixel_shuffle,效果完全一樣，其定義如下所示：

def pixel_shuffle(input, upscale_factor):
    r"""Rearranges elements in a tensor of shape ``[*, C*r^2, H, W]`` to a
    tensor of shape ``[C, H*r, W*r]``.

    See :class:`~torch.nn.PixelShuffle` for details.

    Args:
        input (Variable): Input
        upscale_factor (int): factor to increase spatial resolution by

    Examples::

        >>> ps = nn.PixelShuffle(3)
        >>> input = autograd.Variable(torch.Tensor(1, 9, 4, 4))
        >>> output = ps(input)
        >>> print(output.size())
        torch.Size([1, 1, 12, 12])
    """
 

    batch_size, channels, in_height, in_width = input.size()
    channels //= upscale_factor ** 2

    out_height = in_height * upscale_factor
    out_width = in_width * upscale_factor

    input_view = input.contiguous().view(
        batch_size, channels, upscale_factor, upscale_factor,
        in_height, in_width)

    shuffle_out = input_view.permute(0, 1, 4, 2, 5, 3).contiguous()
    return shuffle_out.view(batch_size, channels, out_height, out_width)

順便也給了一個例子，這裡我就不贅述了。
這兩個函式在low_level問題裡用的地方挺多的，優點很明顯，不需要進行上取樣恢復原來的影象尺寸，從而避免資訊的損失，看來以後可以用這種方法做一下上取樣的嘗試。