反卷积理解

图示反卷积

• 这里以尺寸为2x2的图像和3x3的单位卷积核为输入

其他参数设置步长stride=2，膨胀Dilation=2, padding=0

• 1. 先对输入进行膨胀，输入膨胀等于步长stride, 我们的stride=2, 所以每个输入图像的像素要间隔2个像素
  • 如下图所示
  • 
• 2. 对膨胀过的输入进行Padding, Input Padding = Dilation * (kernel_size - 1) - padding = 3
  • 如下图所示
  • 9x9- 3. 对卷积进行膨胀，Dilation = 2，每个像素间隔2
  • • 如下图所示
  • • 5x5
• 4. 用第3步膨胀过的卷积， 膨胀Padding好的输入图像第4步，stride = 1, 输出为下图所示
  • 输出尺寸: N=(W−F+2P)/S+1 = （9 - 5 + 2 * 0）/ 1 + 1 = 5
  • • 如下图所示
  • • 5x5
  • 

下面用代码验证

import torch
import torch.nn as nn

up = nn.ConvTranspose2d(1, 1, kernel_size=3, bias=False, stride=2, padding=1, dilation=2)

# 把卷积核初始化为特定值， 单位矩阵
up.weight.data = torch.eye(3, 3).view(1, 1, 3, 3)

x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32).view(1, 1, 2, 2)

x, up(x)

output:

    (tensor([[[[1., 2.],
               [3., 4.]]]]),
     tensor([[[[0., 0., 0., 0., 0.],
               [0., 5., 0., 2., 0.],
               [0., 0., 0., 0., 0.],
               [0., 3., 0., 5., 0.],
               [0., 0., 0., 0., 0.]]]], grad_fn=<ConvolutionBackward0>))

对上了