转置卷积反卷积 PyTorch torch.nn.ConvTranspose2d() output_padding

原创

于 2019-11-07 16:07:15 发布 · 2.3k 阅读

·

9

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文详细解释了转置卷积（反卷积）的概念，它是卷积的逆过程，用于增大特征图的大小。讨论了转置卷积的参数如padding、kernel_size、stride及其与卷积的关系。通过实例展示了如何根据output_padding调整输出大小，并在PyTorch中使用ConvTranspose2d()函数。输出_padding的设置可以消除输出大小的不确定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

转置卷积、又称反卷积其实是卷积的逆过程。卷积的过程通常会减小特征图的的大小，而转置卷积往往增大特征图的大小，一直以来对转置卷积的过程都不是很理解，最近认真学习了一下，在此分享。

卷积

卷积操作，输入是一个特征图i，参数padding(p)， stride(s)，kernel_size(k)，输出是卷积后得到的特征图o，输出的特征图大小

$o=\left \lfloor \frac{i+2p-k}{s} \right \rfloor +1$

转置卷积

转置卷积是卷积的逆过程。在做的转置卷积的时候，我们同样会给转置卷积几个参数，如输入特征图i，p，k，s，分别对应padding，kernel_size，stride。

第一如何理解转置卷积是卷积的逆过程？假设卷积的输入为x，输出为y，而转置卷积作为卷积的逆过程，也就是说转置卷积的输入为y，输出为x。即

$x \overset{Conv}{\rightarrow}y,y\overset{transConv}{\rightarrow}x$

因此，给定转置卷积参数和输出a，我们相当于找到完成这样的过程

$a \overset{transConv}{\rightarrow}b$ ，同时 $b \overset{Conv}{\rightarrow}a$ 。

故我们知道卷积的输入大小和输出大小的关系，因此我们可以计算出b的大小:

$a=\left \lfloor \frac{b+2p-k}{s} \right \rfloor +1\,\,\,\,\,\,\,\,\,\,\,\, (1)$

假设a=2,s=1,k=1,p=0，此时

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 1

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

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。