卷积与反卷积

￡神魔★判官ぃ 2022-06-04 05:25 299阅读 0赞

## 反卷积与卷积 ##

反卷积，顾名思义是卷积操作的逆向操作。

为了方便理解，假设卷积前为图片，卷积后为图片的特征。

卷积，输入图片，输出图片的特征，理论依据是统计不变性中的平移不变性（translation invariance），起到降维的作用。如下动图：  
![这里写图片描述][SouthEast]  
反卷积，输入图片的特征，输出图片，起到还原的作用。如下动图：  
![这里写图片描述][SouthEast 1]  
我们知道卷积结合池化的降维作用，将神经网络推向深度学习，开启神经网络的新世界，那么反卷积的作用呢？

## 反卷积的作用 ##

反卷积崭露头角于**“Unsupervised Representations Learning With Deep Convolutional Generative Adversarial Networks”**，这篇论文主要工作就是用GANs生成图片，其中的generator和discriminator均采用深度学习，generator生成图片过程中采用的就是反卷积操作（当然discriminator采用卷积对generator生成的图片判别真伪）。generator生成图片示意：  
![这里写图片描述][SouthEast 2]

## 反卷积的类型 ##

1.  一般类型：  
    ![这里写图片描述][SouthEast 3]
    
    > 输入：2\*2  
    > 计算过程：2+2\*2-3+1  
    > 输出：4
2.  fractionally-strided convolution：  
    ![这里写图片描述][SouthEast 4]
    
    > 输入：3\*3  
    > 计算过程：3+4-3+1  
    > 输出：5

fractionally-strided，小数步数，体现在往间隙padding，名义上stride=1，但实际作用却是小于1！

## Tensorflow中反卷积的实现 ##

tf.nn.conv2d\_transpose(value, filter, output\_shape, strides, padding=’SAME’, data\_format=’NHWC’, name=None)  
参数解释：

>   
> 
> 
> value:\[batch,in\_height,in\_width,in\_channels\]  
> filter:\[batch,k\_width,out\_channels,in\_channels\]  
> output\_shape:\[batch,output\_height,output\_width,output\_channels\]  
> strides:对应在每一维的移动步数

[SouthEast]: /images/20220604/78d35ba751a54bc8aae3dc1b80ad7a3b.png
[SouthEast 1]: /images/20220604/cbf730240a1843ddac8197ec62716946.png
[SouthEast 2]: /images/20220604/95b9add814444d63ad947b2770f36834.png
[SouthEast 3]: /images/20220604/71a93a9c2cef44d1818856eaaa7800a3.png
[SouthEast 4]: /images/20220604/d42a708ce1764df5a5be7a10fbd16bd0.png