上采样(UpSampling)之转置卷积(Transposed Convolution)

---

前言

对一个较小尺寸的矩阵进行变换，得到较大尺寸矩阵的过程就叫上采样(UpSampling)。在图像分割任务和GAN网络中，上采样都是必不可少的。

常用的上采样方式有：插值法，反池化，反卷积（转置卷积），本文着重介绍转置卷积原理和用法。

---

转置卷积

卷积不会增大输入矩阵的高宽，输入矩阵在进行卷积操作之后，高宽保持不变或者减小。

• 使用padding的方式，虽然可以增大高宽，但是太多padding没有意义。

转置卷积可以用来增大高宽

转置卷积操作如下（示例stride = 1）：

等号右边的四个矩阵分别表示将Input矩阵中的所有元素与Kernel中的每个元素相乘，保留相对位置，滑动的距离根据步长来定，上图为每次滑动一步。

注：本文为转置卷积操作的简单介绍，也可以通过转换为卷积操作来计算转置卷积，详情见下篇文章。

Pytorch中的转置卷积函数

1.参数说明

Pytorch给出了转置卷积函数：

torch.nn.ConvTranspose2d