PyTorch 反卷积运算(二)

如果反卷积操作中步长大于1, 那么不仅需要在四周补零, 每行元素和每列元素之间均需要补零

示例-2: 步长为 2

输入数据 1*1*3*3(Batch 和 Channel 均为 1)

In [1]: import torch

In [2]: torch.manual_seed(5);

In [3]: x = torch.randint(6, size=(1,1,3,3), dtype=torch.float)

In [4]: x
Out[4]: 
tensor([[[[5., 0., 1.],
          [3., 2., 4.],
          [4., 5., 0.]]]])

卷积核 1*1*2*2(与示例-1 一致)

In [5]: w = torch.tensor([[1,2],[0,1]], dtype=torch.float).view(1,1,2,2)

In [6]: w
Out[6]: 
tensor([[[[1., 2.],
          [0., 1.]]]])

创建反卷积层, 无偏置

In [7]: from torch import nn

In [8]: layer = nn.ConvTranspose2d(in_channels=1, out_channels=1, kernel_size=2, stride=2, padding=0, bias=False)

In [9]: layer.weight = nn.Parameter(w)

In [10]: layer.eval();

手动计算

1. 翻转卷积核

2. 填充零(包括四周补零与行列之间补零)

步长为 2 时, 行列之间补充一行或一列零

计算输出尺寸, oup = (inp + 2*padding - kernel_size) / stride + 1, 将 oup=3,padding=0,kernel_size=2,stride=2 代入, 可得 inp=6, 即输出尺寸为6, 为了得到此输出, 还需在四周补充一圈零

3. 正向卷积

此处的卷积, 步长视为1

使用 PyTorch 计算

In [11]: with torch.no_grad():
    ...:     y = layer(x)
    ...: 

In [12]: y
Out[12]: 
tensor([[[[ 5., 10.,  0.,  0.,  1.,  2.],
          [ 0.,  5.,  0.,  0.,  0.,  1.],
          [ 3.,  6.,  2.,  4.,  4.,  8.],
          [ 0.,  3.,  0.,  2.,  0.,  4.],
          [ 4.,  8.,  5., 10.,  0.,  0.],
          [ 0.,  4.,  0.,  5.,  0.,  0.]]]])