跟李沐学AI：转置卷积

跟李沐学AI：转置卷积

引用

CSDN

1.

https://m.blog.csdn.net/Landy_Jay/article/details/141439910

定义

卷积操作通常不会增加输入的高宽尺寸，反而常常会导致尺寸减半。而转置卷积（也称为反卷积或分数步幅卷积）则可以用来增大输入的宽高尺寸。

转置卷积是一种特殊的卷积操作，它通过重新排列输入和卷积核，实现上采样（upsampling）的效果。具体来说，如果一个卷积操作将输入从某个尺寸转换为另一个尺寸，那么在相同超参数设置下，转置卷积则可以将这个过程逆向，实现尺寸的扩大。

例如，假设一个卷积操作将输入从尺寸A转换为尺寸B：

那么转置卷积则可以将尺寸B转换回尺寸A。在转置卷积中，输入中的每个元素会分别与卷积核中的所有元素相乘，最后将所有中间结果相加得到最终结果。

举个例子

当转置卷积的填充（padding）为0时，可以通过以下步骤将其转换为普通卷积：

1. 将转置卷积的输入填充k-1（k为kernel_size）
2. 将转置卷积的核矩阵上下左右翻转
3. 进行普通卷积操作

这将得到与原始转置卷积相同的结果。

当转置卷积的填充为p时，转换过程如下：

1. 将转置卷积的输入填充k-p-1
2. 将转置卷积核上下左右翻转
3. 进行普通卷积操作

这同样可以得到与原始转置卷积相同的结果。

在正常卷积中，步幅（stride）会使高宽尺寸成倍减少。而在转置卷积中，步幅则会使高宽尺寸成倍增加。具体来说，当填充为p、步幅为s时，可以在行和列之间插入s-1行，然后将输入填充k-p-1，将转置卷积核矩阵上下左右翻转，最后进行普通卷积操作，得到的结果与转置卷积相同。

形状换算

对于输入高宽为n、核大小为k、填充p、步幅s的情况，转置卷积和普通卷积的输出尺寸计算公式如下：

转置卷积：

卷积：

如果转置卷积想让高宽成倍增加，可以设置：

同理，如果卷积想让高宽成倍减少，可以设置：

总结

转置卷积神经网络本质上也是一个卷积神经网络，只不过通过对输入和卷积核进行特殊变换，实现了上采样的目的。这一技术在图像生成、超分辨率重建等领域有着广泛的应用。