卷积、空洞卷积，反卷积 输出特征图与padding,stride和dilation之间的关系

目录

卷积：

空洞卷积：

反卷积

---

卷积：

 

空洞卷积：

空洞卷积的计算过程，空洞卷积（Dilated convolutions）在卷积的时候，会在卷积核元素之间塞入空格，如下图所示：

 

这里引入了一个新的超参数 d，(d - 1) 的值则为塞入的空格数，假定原来的卷积核大小为 k，那么塞入了 (d - 1) 个空格后的卷积核大小 n 为：

进而，假定原始特征图的尺寸为大小为 i，步长 为 s ,空洞卷积后特征图大小 o 的计算公式为：

反卷积

class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1,
      padding=0, output_padding=0, groups=1, bias=True, dilation=1)

参数的含义如下：

• in_channels(int) – 输入信号的通道数
• out_channels(int) – 卷积产生的通道数
• kerner_size(int or tuple) - 卷积核的大小
• stride(int or tuple,optional) - 卷积步长，即要将输入扩大的倍数。
• padding(int or tuple, optional) - 输入的每一条边补充0的层数，高宽都增加2*padding
• output_padding(int or tuple, optional) - 输出边补充0的层数，高宽都增加padding
• groups(int, optional) – 从输入通道到输出通道的阻塞连接数
• bias(bool, optional) - 如果bias=True，添加偏置
• dilation(int or tuple, optional) – 卷积核元素之间的间距

对于每一条边输入输出的尺寸的公式如下（其中input为输入特征图的尺寸）：