深度学习笔记33 转置卷积

转置卷积可以用来增大输入的高宽，算是对卷积的反卷？并不是。

转置卷积本质上还是一个卷积，它只是与卷积在形状上是相反的，但是数值不是；

卷积的逆运算是反卷积，反卷积的输入和输出与卷积的输出和输入相同；

反卷积是数学上的概念，计算机领域但凡提到“反卷积神经网络”指的都是用转置卷积，因为反卷积在机器学习领域好像没什么价值。

 

 早期的卷积都是通过这种等价的矩阵乘法完成的，从这个角度看，我们用来卷积的卷积核对应的向量为V，而反过来的卷积正好是V的转置，因此这种反卷的过程叫做转置卷积。

 

 转置卷积其实和卷积没太大区别了，手搓比较容易，代码不写了。

但是这里要注意卷积的两个超参数：步幅和填充。

转置卷积的填充，可以理解为填充在输出上。当步长为1的时候，我们对一个2x2的矩阵做2x2核的转置卷积，得到的结果应该是3x3,（见最上面那张图），但是如果我们让padding=1，那么得到的结果就是1x1的结果，因为在输出上padding了一圈，让输出成为3x3，那么把这一圈去掉，就是1x1.说人话，其实就是padding在输出后把输出的矩阵的前padding行和列与后padding行和列给删除了而已。

步幅越大，结果就越大，还是上面那个例子，如果把stride=2，那么就不会有重叠的部分，也因此得到的结果就是4x4的矩阵。

 

转置卷积，本质上还是一种卷积。

转置卷积的步幅和填充取值后对形状的计算，可以再看一遍：https://www.bilibili.com/video/BV1CM4y1K7r7?spm_id_from=333.999.0.0

至于转置卷积到底为什么存在，这得等明天去研究全连接卷积神经网络。

 

标签：输出,转置,矩阵,padding,33,步幅,卷积
来源： https://www.cnblogs.com/loveandninenine/p/zhuanzhijuanji.html