彻底搞懂CNN中的卷积和反卷积

最新推荐文章于 2023-06-29 18:59:02 发布

麦、积

最新推荐文章于 2023-06-29 18:59:02 发布

阅读量414

点赞数 2

分类专栏：深度学习

深度学习专栏收录该内容

29 篇文章

订阅专栏

本文分三部分讲解卷积和反卷积，结合TensorFlow框架进行代码实践。介绍了卷积过程可视化工具，阐述卷积操作重要参数，如输入输出图片尺寸、步长、卷积核大小、填充大小等，还展示反卷积工作过程，说明了不同步长下的计算方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。

在这里插入图片描述

上图展示了一个卷积的过程，其中蓝色的图片(4*4)表示的是进行卷积的图片，阴影的图片(3*3)表示的是卷积核，绿色的图片(2*2)表示是进行卷积计算之后的图片。在卷积操作中有几个比较重要的参数，输入图片的尺寸、步长、卷积核的大小、输出图片的尺寸、填充大小。
下面用一个图来详细介绍这些参数：
在这里插入图片描述

反卷积

在这里插入图片描述

上图展示一个反卷积的工作过程，乍看一下好像反卷积和卷积的工作过程差不多，主要的区别在于反卷积输出图片的尺寸会大于输入图片的尺寸，通过增加padding来实现这一操作，上图展示的是一个strides(步长)为1的反卷积。下面看一个strides不为1的反卷积

在这里插入图片描述

将卷积核与输入矩阵对应的位置进行乘加计算即可，对于多维输入矩阵和多维卷积核的卷积计算，将卷积后的结果进行堆叠，作为最终卷积的输出结果。

反卷积

需要注意的是，在进行反卷积的时候设置的stride并不是指反卷积在进行卷积时候卷积核的移动步长，而是被卷积矩阵填充的padding，仔细观察红色框内可以发现之前输入矩阵之间有一行和一列0的填充。

反卷积计算公式
i=(o-1)*s-+k-2p
s值得是步长 反卷积图片周围0填充的行数
p值得是反卷积图片内部0填充的行数
转载https://blog.youkuaiyun.com/sinat_29957455/article/details/85558870