2020-08-18

反卷积与卷积

反卷积，顾名思义是卷积操作的逆向操作。

为了方便理解，假设卷积前为图片，卷积后为图片的特征。

卷积，输入图片，输出图片的特征，理论依据是统计不变性中的平移不变性（translation invariance），起到降维的作用。如下动图：

反卷积，输入图片的特征，输出图片，起到还原的作用。如下动图：

我们知道卷积结合池化的降维作用，将神经网络推向深度学习，开启神经网络的新世界，那么反卷积的作用呢？

反卷积的作用

反卷积崭露头角于“Unsupervised Representations Learning With Deep Convolutional Generative Adversarial Networks”，这篇论文主要工作就是用GANs生成图片，其中的generator和discriminator均采用深度学习，generator生成图片过程中采用的就是反卷积操作（当然discriminator采用卷积对generator生成的图片判别真伪）。generator生成图片示意：

反卷积的类型

1. 一般类型：

输入：2*2

计算过程：2+2*2-3+1

输出：4

1. fractionally-strided convolution：

输入：3*3

计算过程：3+4-3+1

输出：5

fractionally-strided，小数步数，体现在往间隙padding，名义上stride=1，但实际作用却是小于1！

Tensorflow中反卷积的实现

tf.nn.conv2d_transpose(value, filter, output_shape, strides, padding=’SAME’, data_format=’NHWC’, name=None)

参数解释：

value:[batch,in_height,in_width,in_channels]

filter:[batch,k_width,out_channels,in_channels]

output_shape:[batch,output_height,output_width,output_channels]

strides:对应在每一维的移动步数