caffe deconvolution使用，反卷积层的使用

caffe是目前的使用较多的深度学习框架之一。

目前在计算机视觉的相关任务中，反卷积被广泛用于各种场合，本部分主要介绍反卷积的原理以及在caffe中的使用

一，基本原理

可参考https://blog.csdn.net/q295684174/article/details/79064580

二、caffe中的使用

在g当前的caffe版本中，已经包含了DeconvolutionLayer。见src/caffe/layers/deconv_layer.cpp，deconv_layer.cu和　include/caffe/layers/deconv_layer.hpp。

其参数输入和卷积层一样，但是对于output_shape的计算和卷积层是不同的。

 

对于convolution:  output = (input + 2 * p  - k)  / s + 1;

对于deconvolution:                          output = (input - 1) * s + k - 2 * p               （1）

input代表输入的大小

p=pad

k=kernel_size

s=stride

 

• Parameters (ConvolutionParameter convolution_param)
• From ./src/caffe/proto/caffe.proto):

使用Python中的NetSpec生成network prototxt的时候

对于ConvlutionLayer:

conv = L.Convolution(relu, kernel_size=ks, stride=stride,  
                             num_output=nout, pad=pad, bias_term=False, weight_filler=dict(type='xavier'),  
                             bias_filler=dict(type='constant'))  

对于deconvlutionLayer:首先通过公式1计算参数

 

conv = L.Deconvolution(relu, convolution_param=dict(kernel_size=ks, stride=stride,  
                 num_output=nout, pad=pad, bias_term=False, weight_filler=dict(type='xavier'),  
                     bias_filler=dict(type='constant')))  

如;conv3 as input :64x64;    conv4 as output:128x128

conv4 = L.Deconvolution(conv3, convolution_param=dict(kernel_size=10, stride=2,  
                 num_output=256, pad=4),  
                     param=[dict(lr_mult = 0)])