卷积和上采样

卷积

设输入大小为$n\times n$，卷积核大小为$w\times w$，步长为$s$，无填充，则输出大小为：
$$(n-w)/s+1$$

注意我们这里讲的卷积方式等效为valid，即默认无填充。

假设padding为p，我们可以先计算padding之后的输入大小，然后再对padding之后的矩阵采用valid卷积，此时输出大小为：
$$(n+2p-w)/s+1$$

参考文献：
[1] 深度学习基础 (十五)–padding，卷积步长与简单卷积神经网络示例
[2] 反卷积和卷积的输出和输入尺寸关系
[3] 卷积，特征图，转置卷积和空洞卷积的计算细节 (包含多通道卷积的计算方法)

空洞卷积

上采样

上采样的三种方式：双线性插值（bilinear）、反卷积（Transposed Convolution）和反池化（Unpooling）

转置卷积

假设卷积操作参数为$(i,k,s,p)$，根据上述式子可以获得卷积输出大小为：
$$i^{{}^{\prime }}=(i-k+2p)/s+1$$

然后我们将$(i^{{}^{\prime }},k,s,p)$作为反卷积操作的参数，从卷积后的图像恢复原始图像大小，因此反卷积后的输出大小满足上述关系：
$$i=s(i^{{}^{\prime }}-1)+k-2p$$

待解决疑点：反卷积似乎执行的也是卷积操作？？按卷积方式计算卷积结果大小好像又不满足上述式子，所以反卷积到底是怎么做的？？？

参考文献：
[1] 反卷积(Deconvolution)、上采样(UNSampling)与上池化(UnPooling)
[2] 什么是转置卷积（反卷积）
[3] 反卷积原理不可多得的好文