转置卷积（深度学习）

转置卷积：

Transposed convolution

转置卷积不是卷积的逆运算 转置卷积也是卷积

作用：

上采样 upsampling 将特征层的大小还原为卷积之前的大小 数值与输入数值不同

普通卷积计算：

 

转置卷积计算：

 

转置卷积增加输入的高宽

理解：

 

padding：

当padding=1时，理解为删除，由3*3变化为1*1，左右减一行，上下减一行

stride：

当stride=2时，左右和上下都一次性移动两个单位，进行卷积计算

input做卷积计算:

 

output:

​

转置卷积也是一种卷积：

重新排列输入核：

当填充为0步幅为1时：

• 将输入填充k-1（k是核窗口）
• 将核矩阵上下、左右翻转
• 正常做卷积（padding=0 stride=1）

当填充为p步幅为1时：

• 将输入填充为k-p-1（k为核窗口）
• 将核矩阵上下、左右翻转
• 正常做卷积（padding=0 stride=1）

​

当填充为p步幅为s时：

• 在行和列之间插入s-1行或列  s为2时 s-1=1 上下左右都插入一列或一行
• 将输入填充为k-p-1（k为核窗口）
• 将核矩阵上下、左右翻转
• 正常做卷积（padding=0 stride=1）

形状换算：