卷积、反卷积、转置卷积和微步幅卷积

最新推荐文章于 2025-06-17 13:26:51 发布

原创

最新推荐文章于 2025-06-17 13:26:51 发布 · 6.8k 阅读

50 ·

CC 4.0 BY-SA版权

文章标签：

#卷积

本文介绍了卷积的基本概念，包括卷积计算过程、参数影响及填充方式。详细阐述了卷积核大小、步长和填充对输出大小的影响，并对比了VALID和SAME两种填充方式。同时，解释了反卷积，又称转置卷积，指出其与卷积层前向和反向传播的关系。最后提到了微步幅卷积的概念，探讨了步长为分数时的反卷积操作。

卷积
首先定义本文要用到的符号

输入图片的大小: $i_1=i_2=i$ 。
卷积核的大小: $k_1=k_2=k$ 。
卷积步长: $s_1=s_2=s$ 。
填充 $padding=p$ 。

下图表示参数为 $(i=5,k=3,s=2,p=1)$ 的卷积计算过程，可以看出输出的图片大小是(3∗3

最低0.47元/天解锁文章

新学期VIP享超值加赠

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

qq_34535410

关注关注

9
点赞
踩
50

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释

iioSnail的博客

07-06

1万+

反卷积的作用卷积中padding的几个概念 No Padding Half(Same) Padding Full Padding 反卷积 反卷积中的Padding参数 反卷积的stride参数 反卷积总结参考资料

两种特殊卷积：转置卷积和空洞卷积，从JDK源码学习Hashmap

ccc6553584的博客

03-28

808

文章中涉及到的知识点我都已经整理成了资料，录制了视频供大家下载学习，诚意满满，希望可以帮助在这个行业发展的朋友，在论坛博客等地方少花些时间找资料，把有限的时间，真正花在学习上，所以我把这些资料，分享出来。相信对于已经工作和遇到技术瓶颈的朋友们，在这份资料中一定都有你需要的内容。，录制了视频供大家下载学习，诚意满满，希望可以帮助在这个行业发展的朋友，在论坛博客等地方少花些时间找资料，把有限的时间，真正花在学习上，所以我把这些资料，分享出来。

参与评论您还未登录，请先登录后发表或查看评论

一文搞懂反卷积，转置卷积

机器学习杂货铺1号店

07-18

3万+

一文搞懂反卷积，转置卷积前言本文翻译自《Up-sampling with Transposed Convolution》，这篇文章对转置卷积和反卷积有着很好的解释，这里将其翻译为中文，以飨国人。如有谬误，请联系指正。转载请注明出处。联系方式： e-mail: FesianXu@163.com QQ: 973926198 github: https://github.com...

CNN卷积神经网络深度剖析：卷积、步幅、填充、池化

最新发布

阿旭的博客

06-17

897

CNN卷积神经网络深度剖析：卷积、步幅、填充、池化

转置卷积/反卷积

ac540101928的专栏

12-10

2755

转置卷积又称反卷积，逆卷积。在主流的深度学习框架之中，如Tensorflow，Pytorch,Kreas中的函数名都是conv_transpose 将一个4*4的输入通过3*3的卷积核核进行普通卷积后（无padding,stride=1）,将得到2*2的输出。而转置卷积将一个2*2的输入通过同样的3*3的卷积核，将得到一个4*4的输出。这看起来像是普通卷积的逆过程。事实上，这两者没有任何关系，操作过程也是不可逆的。普通卷积（直接卷积）但在实际计算中，并不是通过卷积核在输入上进行滑动计算，效率太

DCGAN 论文翻译

黄笳倞的博客

04-17

5046

近年来，使用卷积神经网络的监督学习被大量应用于计算机视觉应用中。相对地，使用卷积神经网络的非监督学习则被较少的关注。在这项工作中，我们希望可以帮助缩小监督学习和非监督学习在CNN的成功上差距。我们介绍了CNN的一个类，称为深度卷积生成对抗网络（DCGANs），这个网络有着明确的结构约束，并且表明他们对非监督学习有着强烈的可信度。在不同的图像数据集上训练，我们展示出了令人信服的证据，我们的深度卷积对抗对，从对象部分到场景，在生成器和判别器上都能学到层级的表示。

转置卷积和反卷积（Transposed Convolution/ DeConvolution）

frighting_ing的博客

10-31

1877

反卷积（转置卷积）通常用来两个方面： CNN可视化，通过反卷积将卷积得到的feature map还原到像素空间，来观察feature map对哪些pattern相应最大，即可视化哪些特征是卷积操作提取出来的；（ZFNet可视化） FCN全卷积网络中，由于要对图像进行像素级的分割，需要将图像尺寸还原到原来的大小，类似upsampling的操作，所以需要采用反卷积； GAN对抗式生成网络中，由于需要从输入图像到生成图像，自然需要将提取的特征图还原到和原图同样尺寸的大小，即也需要反卷积操作。我们

反卷积（Deconvolution）/ 转置卷积（Transpose Convolution）

JNing

09-06

727

提出于FCN。 反卷积和卷积类似，都是相乘相加的运算。只不过后者是多对一，前者是一对多。而反卷积的前向和后向传播，只用颠倒卷积的前后向传播即可。所以无论优化还是后向传播算法都是没有问题。图解如下： ...

用MS Excel来解释反卷积（Transposed Convolutions）

yishujixiaoxiao的博客

12-20

806

最近在用Encoder-Decoder hourglass模型做项目，借鉴super resolution 的常用套路，decoder部分是用多层transposed convolutions堆叠而成。刚好Medium给推送了一篇blog，名为《Transposed Convolutions explained with… MS Excel!》，感觉还挺有意思的，特意来做个笔记。这篇博客主要是...

卷积神经网络的最新进展.rar

06-08

Recent Advances in Convolutional Neural Networks 的中文翻译版。卷积神经网络综述类论文，...原论文详细介绍了卷积神经网络领域所用到的技术和以后的发展趋势。英文原文地址:https://arxiv.org/abs/1512.07108

反卷积层（转置卷积）

卖火柴的小男孩

08-26

1万+

反卷积（deconvolution）不是数字信号处理里面的意义，在深度学习里面应该叫做转置卷积（transposed convolution）又名微步卷积（fractionally strided convolutions），也有叫Backward strided convolution ，upconvoution, upsample convolution。主要从以下几个方面理解：从概念上理

转置卷积/反卷积（Transpose Convolution/Deconvolution）详解

晓野豬

09-10

1525

转置卷积/反卷积（Transpose Convolution/Deconvolution）详解 1、提出背景及其应用一般情况下，图像在经过多层的卷积运算后，其输出特征图的尺寸将会减小，图片分辨率降低。而在某些特定的任务中，我们需要将图像恢复或一定程度上增大，以便于后续的使用。这个恢复/增大图像尺寸，实现图像由小分辨率到大分辨率映射的操作，叫做上采样（Upsample）。转置卷积便是常见的上采样方法之一。与传统的上采样方法（最近邻插值、双线性插值等）相比，转置卷积不会使用预先设定的插值方法。它具有可学习

反卷积(Deconvolution)|转置卷积(Transposed Convolution)

huangkangying的专栏

06-15

7231

反卷积的叫法其实有点让人误解，其实叫转置卷积更为合适。

深度学习与神经网络之 反卷积/转置卷积 (deconvolution/transposed convolution/fractional strided convolution) (upsample)

hxxjxw的博客

08-14

1893

我们说的 deconvolution 反卷积 transposed convolution 转置卷积 fractional strided convolution 都是同一个概念大家可能对于反卷积的认识有一个误区，以为通过反卷积就可以获取到经过卷积之前的图片，实际上通过反卷积操作并不能还原出卷积之前的图片，只能还原出卷积之前图片的尺寸。那么到底反卷积有什么作用呢？通过反卷积可以用来可视化卷积的过程，反卷积在GAN等领域中有着大量的应用。向量和矩阵做点积卷积的正向传...

关于反卷积（转置卷积）小记

qq_45670407的博客

04-02

1276

什么是反卷积，反卷积的目的是什么，在计算机视觉中的反卷积

轻松理解转置卷积(transposed convolution)或反卷积(deconvolution)

lanadeus

09-09

5万+

原文地址:Up-sampling with Transposed Convolution 本文暂时没有插入图像,以后修订在CNN中,转置卷积是一种上采样(up-sampling)的方法.如果你对转置卷积感到困惑,那么就来读读这篇文章吧. 本文的notebook代码在Github. 上采样的需要在我们使用神经网络的过程中,我们经常需要上采样(up-sampling)来提高低...

转置卷积与反卷积的区分

u013600306的博客

09-14

1370

如果卷积的步长大于1，那卷积过程同时下采样，转置卷积就同时上采样。在信号处理中，反卷积是指从卷积操作的结果中恢复原始信号的过程，这涉及到求解一个逆问题。通常，转置卷积是一种扩大特征图尺寸的操作，用在生成网络或者编码-解码架构中的上采样步骤。transposed convolution（转置卷积）和deconvolution（反卷积）是两个完全不同的概念。首先需要说明的是，卷积可以用卷积矩阵写成线性变换的形式。转置卷积就是卷积矩阵转置后的线性变换，即计算。卷积核h可以写成卷积矩阵A，这样，

彻底搞懂CNN中的卷积和反卷积

热门推荐

修炼之路

01-05

8万+

前言卷积和反卷积在CNN中经常被用到，想要彻底搞懂并不是那么容易。本文主要分三个部分来讲解卷积和反卷积，分别包括概念、工作过程、代码示例，其中代码实践部分主结合TensorFlow框架来进行实践。给大家介绍一个卷积过程的可视化工具，这个项目是github上面的一个开源项目。卷积和反卷积 卷积(Convolutional)：卷积在图像处理领域被广泛的应用，像滤波、边缘检测、图片锐化等，都是通过...

微步卷积 pytorch

03-25

微步卷积是一种新型卷积算法，采用了微观核心对卷积算法进行优化，能够提高图像识别等任务的准确性。在PyTorch中，可以通过使用nn.Conv2d函数来实现微步卷积。以下是一个简单的例子： ``` import torch import torch.nn as nn class MicroConv2d(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True): super().__init__() self.kernel_size = kernel_size self.stride = stride self.padding = padding self.groups = groups self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=self.kernel_size, stride=self.stride, padding=self.padding, groups=self.groups, bias=bias) def forward(self, x): x = nn.functional.unfold(x, kernel_size=self.kernel_size, stride=self.stride, padding=self.padding) batch_size, _, L = x.shape w = torch.randn(self.groups, L, self.conv.out_channels // self.groups, device=x.device) w = torch.softmax(w, dim=1) x = x.permute(0, 2, 1) x = x.view(batch_size * L, self.groups, 1) w = w.view(self.groups, 1, self.conv.out_channels // self.groups) out = torch.matmul(x, w) out = out.view(batch_size, L, self.conv.out_channels).contiguous() return out ``` 在这个例子中，MicroConv2d继承了nn.Module，并实现了__init__和forward两个函数。在__init__函数中，我们定义了卷积核大小（kernel_size）、步长（stride）、填充（padding）、卷积组数（groups）和是否使用偏置（bias）等参数，同时使用nn.Conv2d函数来定义实际的卷积层。在forward函数中，我们首先使用functional.unfold函数将输入张量变成一个二维矩阵，然后使用随机权重w对输入进行卷积操作，最后将结果reshape成卷积层的输出形状。在卷积操作中，我们使用了softmax函数对随机生成的权重进行了归一化处理，以提高模型的稳定性。使用该类进行微步卷积操作的示例代码如下： ``` import torch import torch.nn as nn x = torch.randn(1, 3, 32, 32) conv = MicroConv2d(3, 64, kernel_size=3, stride=1, padding=1, groups=8) out = conv(x) ``` 在这个例子中，我们随机生成了一张3通道、32x32大小的图片作为输入，然后使用MicroConv2d函数定义了一个微步卷积层，并输入我们生成的图片进行卷积操作。最终，out张量的形状为1x64x32x32，表示输出了64个通道，每个通道的大小为32x32。