卷积和反卷积详解

反卷积（deconvolution），也叫转置卷积，分部卷积（fractionally-strided convolution），在论文中也叫upconv。

1. Pytorch中2D卷积和反卷积的函数

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True)
class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, bias=True)

2. 卷积和反卷积的关系

这里参考PyTorch中反卷积的用法

3. 反卷积事例1——s=1

这里参考验证torch中卷积和反卷积的计算

代码

model = nn.ConvTranspose2d(in_channels=1, out_channels=1, kernel_size=3,stride=1,padding=0)
x = torch.tensor([[[12,16],[24,28]]], dtype=torch.float32).unsqueeze(0)
model.weight.data = torch.tensor([[[[1,1,1],[1,1,1],[1,1,1]]]], dtype=torch.float32)
model.bias.data = torch.zeros(1)

print(model(x))

结果

tensor([[[[12., 28., 28., 16.],
          [36., 80., 80., 44.],
          [36., 80., 80., 44.],
          [24., 52., 52., 28.]]]], grad_fn=<SlowConvTranspose2DBackward>)

过程分析

4. 反卷积事例2——s>1

这里参考了Pytorch中的卷积与反卷积详解(conv2d和convTranspose2d)

import torch
import torch.nn as nn

x = torch.randn(1,1,3,3)
l = nn.ConvTranspose2d(1,1,3,stride=2,padding=1)#Conv2d(1, 1, kernel_size=3,stride=2,padding=1)
y = l(x) # y.shape:[1,1,5,5]

5. 总结

其实我们可以看到，卷积和反卷积的唯一区别就是：卷积只在输入x的外部进行padding，而反卷积在s>1时需要在x的边缘和内部进行padding。

所以，如果要使用反卷积，那么对于s=1的情况，反卷积操作直接可以用卷积代替；而对于s>1的情况，才需要用反卷积。