讲清楚了反卷积
Posted 刘二毛
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了讲清楚了反卷积相关的知识，希望对你有一定的参考价值。
搞明白了卷积网络中所谓deconv到底是个什么东西后，不写下来怕又忘记，根据参考资料，加上我自己的理解，记录在这篇博客里。
先来规范表达
- 为了方便理解，本文出现的举例情况都是2D矩阵卷积，卷积输入和核形状都为正方形，x和y轴方向的padding相同，stride也相同。
- 记号：
i,o,k,p,s 分别表示：卷积/反卷积的输入大小 input size ，卷积/反卷积输出大小 output size ，卷积/反卷积核大小 kernel size ， padding ， stride 。 - 举例（如下左图）：
输入 X∈ℝ(4,4) 矩阵，卷积核 w∈ℝ(3,3)，padding=0，stride=1 的情况下，卷积的输出 Y∈ℝ(2,2) ，就记为 i=4,o=2,k=3,p=0,s=1 。
推翻错误的理解
第一次看到deconv这个词，以为deconv的结果就是卷积的逆，觉得神奇，不禁产生了“哦？转置的卷积就可以求逆了吗？”这样的想法，然后在matlab里面实验求证，我还记得当时以为反卷积能够求逆，考虑到图片进行常规卷积操作输出大小又不可能变大（same/valid），于是我还假设反卷积输出大小不变，用了same padding和原核的转置作为反卷积配置，结果发现根本不是那么一回事好吗。
其实DL中的deconv，是一种上采样过程，举个比方：输入
X∈ℝ(4,4)数据仓库数据湖流批一体，终于有大神讲清楚了！