转置卷积在深度学习中用于扩大特征图尺寸，它等价于普通卷积的反向传播过程。通过矩阵乘法理解CT*y实现从输出到输入的转换，但并不恢复原始值。TensorFlow中利用这一性质实现转置卷积。虽然与信号处理中的反卷积不同，但可通过反向思考普通卷积参数来设定转置卷积参数。
转置卷积其实就相当于正常卷积的反向传播。
考虑一个输入为x=4x4，卷积核为w=3x3，步长为stride=1，zero-padding=0
将卷积核展开为一个稀疏矩阵C：
做卷积可得2x2的输出y，C*x=y。如下图所示：
那么怎么得到转置卷积呢。正如我们上面说的转置卷积其实就相当于正常卷积的反向传播。
再对上式求输入x的梯度：
最低0.47元/天 解锁文章
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
