关于pytorch中的转置卷积参数认识

最新推荐文章于 2024-05-07 16:15:12 发布
最新推荐文章于 2024-05-07 16:15:12 发布
阅读量668 收藏
点赞数
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39861441/article/details/103099689
版权

转置卷积的输出大小是

 

out=(inut-1)*stride-2*padding+kernelsize

一开始我感觉很疑惑，padding不是应该增大输出的大小吗？为么反而会让它减小。后来看了一下公式，我觉得，此处的padding

对应的是卷积时原本图像大小上加上padding所得的，所以反卷积时，就变成负数了。

 

可能是错的，目前还在调代码阶段，等以后正式上研，一定疯狂补理论！

撒旦即可
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
四、卷积、转置卷积（上卷积）大小计算公式
panchang199266的博客
12-02 974
【代码】四、卷积、转置卷积（上卷积）大小计算公式。
卷积和反卷积核计算公式
Abraham Ben
03-05 1万+
1. 卷积 输出: out_size=in_size+2×padding−kernel_sizestride+1 out\_size = \frac{in\_size+2\times padding - kernel\_size}{stride} + 1 out_size=stridein_size+2×padding−kernel_size​+1 如果想让输入和输出大小一样，则stride必须为1，并且: padding=kernel_size−12 padding = \frac{kernel\_siz
【PyTorch单点知识】深入理解与应用转置卷积ConvTranspose2d模块
最新发布
m0_49963403的博客
05-07 3252
基于PyTorch模块通过实例介绍转置卷积ConvTranspose
卷积与转置卷积——pytorch
andy dennis的博客
11-03 622
前言 在学习dcgan的时候，发现有段代码用到了转置卷积，看着他们维度计算部分有点迷糊，决定回忆一下。本来想着既然有人写了，那就不写了吧，后来想着反正以后搞cv，应该大概率需要到，还是复习一下吧。 书写本文时参考了 卷积输出尺寸和转置卷积输出尺寸的计算方式 卷积之后维度的计算 卷积 import torch import torch.nn as nn downsample = nn.Conv2d(16, 16, 3, stride=2, padding=1) input = torch.randn((1
torch.nn.ConvTranspose2d 转置卷积
weixin_36670529的博客
04-24 1031
函数原型： torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros') 其中，各参数的含义如下： in_channels(int)：输入张量的
语义分割｜学习记录（2）转置卷积
weixin_45042017的博客
02-09 1978
什么是转置卷积 - 转置卷积操作步骤 - 转置卷积常见参数 - 转置卷积实例
Pytorch中膨胀卷积的用法详解
09-18
今天小编就为大家分享一篇Pytorch中膨胀卷积的用法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
PyTorch中反卷积的用法详解
09-18
今天小编就为大家分享一篇PyTorch中反卷积的用法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch中的卷积和池化计算方式详解
09-18
7. `groups`: 分组卷积参数，当`groups > 1`时，输入通道被分为多个组，每个组与输出通道进行独立的卷积操作，可以实现深度可分离卷积等效果。 接下来是池化层（MaxPool2d），通常用于降低特征图的空间维度，提高...
PyTorch中的转置卷积详解——全网最细
w55100的博客
06-01 1万+
前言 转置卷积，学名transposed convolution，在tf和torch里都叫这个。 有时在论文里可以看到别人叫它deconvolution（反卷积），但这个名词不合适。 因为转置卷积并非direct convolution的逆运算(reverse)，并不能还原出原张量。 只是从形状上看，其结果的形状等同于逆运算。 写这篇文章还是因为网上介绍转置卷积的博客，都讲不清楚，我看了半天还是云里雾里。 只能自己手动来一篇了。 一、 基本运算——错位扫描 定义 本文中，我们将平时用到的普通卷积，称为dir
Pytorch 转置卷积
负负得正的博客
06-02 1462
环境使用 Kaggle 里免费建立的 Notebook教程使用李沐老师的 动手学深度学习 网站和 视频讲解小技巧：当遇到函数看不懂的时候可以按 查看函数详解。卷积不会增大输入的高和宽，通常要么不变，要么减半。而转置卷积则可以用来增大输入高宽。 假设忽略通道，步幅为 1 且填充为 0。输入张量形状为 nh×nwn_h \times n_wnh​×nw​，卷积核形状为 kh×kwk_h \times k_wkh​×kw​。共产生 nhnwn_hn_wnh​nw​ 个中间结果。每个中间结果都是一个 (nh+k
pytorch转置卷积（ConvTranspose）详解
weixin_39228381的博客
01-24 1万+
说明 由于最开始接触卷积是通过滑窗的方式了解卷积的计算过程，所以在接触转置卷积时很蒙圈。实际上抛开滑窗的计算过程，用矩阵乘法实现卷积，则理解转置卷积就极其简单了。 用矩阵乘法实现卷积 这里用二维卷积来举例，为方便观察，把batch size和输入输出通道数都设为1。首先从最简单的情况开始，stride=[1, 1]，padding=[0, 0]。此时，如果我们输入4*4的图片，则显然输出尺寸是2*2，如下图。（以下很多图片来自网络，忘记是哪里截取的了，抱歉不能给出引用链接，如果后续获知，会给补上）。
转置卷积（Transposed Convolution）
热门推荐
霹雳吧啦Wz
10-13 4万+
import torch import torch.nn as nn def transposed_conv_official(): feature_map = torch.as_tensor([[1, 0], [2, 1]], dtype=torch.float32).reshape([1, 1, 2, 2]) print(feature_map) trans_conv = nn.ConvTranspose2
PyTorch 中的转置卷积 ConvTranspose2d
画心
10-26 4547
现有的关于转置卷积的介绍大多流于表面，并未详细的说明这一操作内部具体的操作流程。由于转置卷积的设计主要是为了对标标准卷积，所以其实现流程与标准卷积基本相反，所以内部的操作逻辑并不直观。其按照卷积的相反逻辑的参数设置方式，这种反逻辑的形式使得我们很难直接从参数的角度去理解。and thepaper.这里面涉及到了多个参数，包括这样的一看就可以理解对的参数，也有一些实际情况和我们想的并不一致的参数。
Pytorch中的转置卷积 nn.ConvTranspose2d
记录学习的小白
04-22 1399
起因 在之前的博客中，已经在理论层面上介绍过转置卷积，但一直没有在代码中真正应用过，因为目前在图像分割领域中的上采样操作通常直接用双线性插值来做了。最近探索AutoEncoder，在解码器中要用到转置卷积，涉及到了编码，发现pytorch的实际操作以及参数设置上并没有那么简单，因此写下本文记录一下。 探索 关于什么是转置卷积，参照我上节给出的博客，这里就不过多叙述了。直接上pytorch实操： conv = nn.Conv2d(3, 8, 3, stride=2, padding=1) Dcon
Pytorch手动实现转置卷积/反卷积(deconvolution/transposed convolution/fractional strided convolution) (upsample)
hxxjxw的博客
04-16 1220
转置卷积是卷积的逆运算。即转置卷积结果的shape和input是一样的 所以转置卷积只能恢复原来的in_channel, 不能实现任意维度 转置卷积的原理就是将之前卷积得到的结果，再和原来的kernel填充后，相乘 卷积 反卷积 import torch import torch.nn.functional as F def get_kernel_matrix(kernel, input_size): #基于kernel和输入特征图大小来得到填充后拉直的kerne...
Pytorch 转置卷积nn.ConvTranspose2d 参数设置总结
不佛的博客
11-17 8737
本文总结Pytorch中用转置卷积还原卷积过程的参数设置。 直接上栗子，卷积过程： 5×5输入特征图，步长s=2s=2s=2，卷积核k=3k=3k=3，填充p=1p=1p=1。 输出特征图为5−k+2ps+1=3\displaystyle \frac{5-k+2p}{s}+1=3s5−k+2p​+1=3。 转置卷积过程如上图： 扩张3×3特征图：相邻2行/列间插入s−1s-1s−1行/列0值，padding同ppp。 卷积核同kkk，步长始终为1。 看一下Pytorch中转置卷积nn.ConvTran
TensorFlow和PyTorch对比理解卷积和反向卷积或转置卷积(Transpose Convolution)
BrightLamp的博客
01-03 2260
摘要 本文主要介绍反卷积或转置卷积, 并使用 TensorFlow 和 PyTorch 验证其计算方法. 相关 系列文章索引 : https://blog.csdn.net/oBrightLamp/article/details/85067981 正文 1. 应用场景 转置卷积 (Transpose Convolution ), 有时候也称为反卷积 (Deconvolution), 是全卷积神经网...
pytorch实现转置卷积
08-02
在PyTorch中实现转置卷积，需要注意以下几点。首先，如果使用相同的卷积权重，需要进行权重索引的调整，可以使用`.flip(dim=*)`来实现。其次，标准卷积与转置卷积的权重形状中，输入和输出维度是相反的，因此需要...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值