反卷积神经网络

反卷积指的是，通过测量输出和已知输入重构未知输入的过程。在神经网络中，反卷积过程不具备学习的能力。可以理解为下图：

反卷积神经网络的应用场景

我们可以利用反卷积神经网络进行信道均衡、图像恢复、语音识别、地震学、无损探伤等未知输入heels过程辨识方面的问题。

反卷积的原理

反卷积，可以理解为卷积操作的逆操作，然而output并不能等于input，反卷积只是将卷积核转置，与卷积后的结果再做一次卷积。
虽然他不能还原原来卷积的样子，但是在作用上具有类似的效果，可以将带有小部分缺失的信息最大化地恢复，也可以用来恢复被卷积生成后的原始输入。
看图说话（来自于《深度学习之TensorFlow：入门、原理与进阶实战》）：

可以发现反卷后的结果已经与原来的不等了，说明转置卷积只能恢复部分特征，无法百分百地恢复数据。

反池化原理

反池化是池化的逆操作，是无法通过池化结果还原出全部的原始数据。因为池化过程就相当于降维，保留主要信息，舍去次要信息。
池化有两种方式：平均池化和最大池化。
平均池化
将池化结果中的每个值都填入其对应原始数据区域中的相应位置即可。

最大池化
最大池化要求记录最大值的坐标，在反池化的时候，只把最大值所在的坐标激活，其他用0填充，具体如图：