深度学习之卷积转置理解

最新推荐文章于 2024-07-26 20:14:05 发布
最新推荐文章于 2024-07-26 20:14:05 发布
阅读量2.8k 收藏 12
点赞数 1
分类专栏： 深度学习
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。
本文链接：https://blog.csdn.net/fu6543210/article/details/80408704
版权

所谓的反卷积其实是转置卷积。

那为什么不能叫反卷积？

反卷积的数学含义，通过反卷积可以将通过卷积的输出信号，完全还原输入信号

而事实是，转置卷积只能还原shape大小，不能还原value.因为在卷积操作的时候已经丢失了原始数据，懂卷积操作过程的人都理解。

卷积(convolution):卷积核为 3x3；no padding , strides=1

反卷积"(the transpose of conv) 可以理解为upsample conv.卷积核为:3x3; no padding , strides=1



这里说明了反卷积的时候，是有补0的，即使人家管这叫no padding（ p=0），这是因为卷积的时候从蓝色 4×4 缩小为绿色 

最低0.47元/天 解锁文章
furuit
关注
专栏目录
深度学习中常用的几种卷积（上篇）：标准二维卷积、转置卷积、1*1卷积（附Pytorch测试代码）
NorthSmile的博客
09-05 3269
1×1卷积与上一节介绍的2D卷积差别仅在于，1×1卷积的卷积核大小是（1,1）。1×1卷积通常用于：（1）特征降维：可通过调整卷积步长、过滤器数量来进行特征降维，降低计算量；（2）引入非线性：通过在学习中引入非线性激活函数，扩大网络的假设空间，增强网络的学习能力。1）卷积通常是实现对特征图的下采样操作，所以为了对特征图进行上采样操作，提出和标准卷积相反的转置卷积，此操作可用于代替传统的插值方法实现上采样操作。特征上采样；将低维特征映射到高位空间；
深度学习 | 反卷积/转置卷积 的理解 transposed conv/deconv
热门推荐
IMAGES CAN TALKS
03-06 4万+
搞明白了卷积网络中所谓deconv到底是个什么东西后，不写下来怕又忘记，根据参考资料，加上我自己的理解，记录在这篇博客里。 先来规范表达 为了方便理解，本文出现的举例情况都是2D矩阵卷积，卷积输入和核形状都为正方形，x和y轴方向的padding相同，stride也相同。 记号：  i,o,k,p,s i,o,k,p,s\ i,o,k,p,s 分别表示：卷积/反卷积的...
深度学习-转置卷积
qq_41286360的博客
05-24 616
转置卷积（Transposed Convolution），也被称为反卷积（Deconvolution），是深度学习中的一种操作，特别是在卷积神经网络（CNN）中。它可以将一个低维度的特征图（如卷积层的输出）转换为更高维度的特征图（如上一层的输入），从而实现了上采样或反卷积的效果。在图像分割任务中，转置卷积可以用于在解码器中恢复原先的尺寸，从而对原图中的每个像素进行分类。与传统的上采样方法相比，转置卷积的上采样方式并非预设的插值方法，而是具有可学习的参数，可以通过网络学习来获取最优的上采样方式。
深度学习——转置卷积（笔记）
jbkjhji的博客
12-25 256
1.卷积层和汇聚层通常会减少下采样输入图像的空间维度（高和宽），语义分割对输入进行像素级别的输出，但是卷积会不断减小高宽，不利于像素级别的输出。当将高和宽两侧的填充数指定为1时，转置卷积的输出中将删除第一和最后的行与列。2.具体操作：步幅为1没有填充，输出(nh+kh-1)*(nw+kw-1)可以对W构造一个V，使得卷积等价于矩阵乘法。③如果卷积将输入从（h,w）变成了（同样超参数的转置卷积（是Y,X对应的向量版本。为什么称为转置卷积？①对于卷积Y=X★W。填充，步幅和多通风的。
转置卷积 transposed convolution
最新发布
Life1213的博客
07-26 1187
通过上面分析，就可以知道为什么通过对输入特征图进行填充使用转置的卷积核并且使用转置卷积核与输入特征图进行步长=1的普通卷积操作就可以得到结果。
[深度学习]转置卷积(Transposed Convolution)
北望花村
10-16 7886
一.写在前面 在GAN（Generative Adversarial Nets， 直译为生成式对抗网络）中，生成器G利用随机噪声Z，生成数据。那么，在DCGAN中，这部分是如何实现呢？这里就利用到了Transposed Convolution（直译为转置卷积），也称为Fractional Strided Convolution。那么，接下来，从初学者的角度，用最简单的方式介绍什么是转置卷积，以及...
深度学习笔记 —— 转置卷积
LightInDarkness的博客
04-25 1048
语义分割要做像素级别的预测，但是卷积不断地减小高宽，所以需要另外一种卷积把小的高宽变大。 转置卷积：输入中的单个元素与kernel按元素做乘法但不相加，然后按元素写回到原始的地方。 再谈转置卷积： 换算成卷积之后，卷积是正常卷积，也就是填充为0，步幅为1，与前面填充和步幅是无关的。 如果要做逆变换需要能推出来：n >= sn' + k -2p - s（刚好整除的情况下取等号） 转置卷积是形状上做逆运算，但元素值不是。转置卷积本质上还是一种卷积。 ...
深度学习基础篇 第二章： 转置卷积
小闹钟的机器学习时间
08-29 623
简要介绍转置卷积。
深度学习各种卷积详解
02-01
在深度学习领域，卷积神经网络（Convolutional Neural Networks，CNNs...通过掌握卷积层输出形状的计算方法、正向卷积与转置卷积的关系以及Theano等深度学习框架中的卷积实现，可以帮助设计出性能更优的深度学习模型。
深度学习网络画图卷积反卷积
03-06
深度学习网络，特别是卷积神经网络（CNN）和反卷积网络（DeconvNet），是计算机视觉领域的重要组成部分。它们在图像识别、图像分类、语义分割和图像生成等任务中展现出强大的性能。本教程旨在提供一个易于理解的平台...
动手学深度学习_转置卷积
like_jmo的博客
08-08 1182
转置卷积（transposed convolution），可以看作是卷积的逆，是一种上采样操作，增大特征图的空间维度（高和宽）。注意这里卷积的逆只针对图像大小，图像中的值发生改变。
深度学习中的卷积与转置卷积
bananalone的博客
05-14 318
深度学习中的卷积与转置卷积1 卷积2 转置卷积（反卷积）3 个人理解 1 卷积 输入平展为 16×1 的矩阵，并将卷积核转换为一个稀疏矩阵C（4×16）。然后，在稀疏矩阵和平展的输入之间使用矩阵乘法。之后，再将所得到的矩阵（4×1）转换为 2×2 的输出。 正向卷积将大的feature map转换为了小的feature map 2 转置卷积（反卷积） 将由卷积核转换的稀疏矩阵C进行转置得到CT，然后与4×1的output向量做乘法得到16×1的input向量，最后reshape为4×4。 转置卷积（反卷
【动手学深度学习】week 11a | 语义分割与数据集 转置卷积
davidyang_980的博客
02-05 2437
46 语义分割 Sematic Aug. 语义分割就是把图片中每个像素分类到对应的类别中。 发展过程：图片分类一般用聚类方法，将图片进行分类；目标检测是对图片的物体的位置和类别进行识别；语意分割就是对每个像素进行分类。 应用：背景虚化；路面分割。 实例分割 Instance Aug. ：把每个物体的进行标号 47 转置卷积 背景问题：卷积要么保持高宽不变，要么减半高宽，所以需要转置卷积来增大输入高宽。 为什么叫转置？ 普通的卷积 Y=X∗WY = X * WY=X∗W在实际计算的时候，都是对W构造一个V，
矩阵转置在深度学习中的重要性
AI天才研究院
12-26 811
1.背景介绍 深度学习是人工智能领域的一个重要分支，它主要通过模拟人类大脑中的神经网络学习和理解数据，从而实现对复杂问题的解决。在深度学习中，矩阵转置是一个非常重要的概念和操作，它在各种深度学习算法中扮演着关键的角色。本文将从以下几个方面进行阐述： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体代码实例和详细解释说明 未来发展趋势与挑战 附录常见问题与解答...
对 反/转置 卷积的“浅显”理解...
jiachen0212的博客
05-13 431
参考了知乎的一点答案：传送门可以很简单的就理解为是一个使图像尺寸变大的操作。首先看一个卷积，在实际代码实现的时候，其实是转化为矩阵乘法计算实现的：如3x3的img，卷积后变成2x2了，其实是这么来的：3x3reshape变1x9，卷积核用的是[9, 4]，1x9与9x4相乘得1x4。reshape变2x2.那么反卷积是这样的：2x2reshape变1x4，卷积核[9, 4]转置变成[4, 9]，1...
矩阵转置
g_l_xz的博客
11-06 3149
leetcode编程_矩阵转置 给定一个矩阵 A， 返回 A 的转置矩阵。 矩阵的转置是指将矩阵的主对角线翻转，交换矩阵的行索引与列索引。 示例 1： 输入：[[1,2,3],[4,5,6],[7,8,9]] 输出：[[1,4,7],[2,5,8],[3,6,9]] 示例 2： 输入：[[1,2,3],[4,5,6]] 输出：[[1,4],[2,5],[3,6]] 提示： 1 <= A.le...
转置卷积
fanxuelian的博客
04-22 1400
转置卷积transposed convolution个人备忘总结转置卷积特点实现总结 转置卷积 上采样方式有三种：双线性或最近邻插值、反池化和转置卷积。现在见的比较多的是双线性和转置卷积。在经典的FCN8中用的就是转置卷积（文中称其为反卷积deconvolution）。 特点 转置卷积顾名思义是一种卷积方式，只是卷积前多了个参数转置的过程。 优点：可学习，理论上模型可以通过学习获取最适合当前数据集的上采样方式。 缺点：存在棋盘效应， 分割边界为锯齿状。前者可以参考国外大佬的博客，消除办法是将kernel设置
深度学习教程：卷积神经网络详解
卷积神经网络（CNN）是深度学习领域中的关键模型，特别是在图像识别、计算机视觉和自然语言处理等任务中。本教程详细介绍了CNN的基本组成、作用和应用。 **卷积神经网络的组成层** 1. **输入层**: 输入层是CNN接收...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值