转置卷积方法

一、定义

1、卷积神经网络层通常会减少（或保持不变）采样输入图像的空间维度（高和宽），另一种类型的卷积神经网络层，它可以增加上采样中间层特征图的空间维度， 用于逆转下采样导致的空间尺寸减小。

2、转置卷积（感觉就是卷积的反过来）也是一种卷积

（1）卷积做下采样(减少特征图的空间分辨率的过程)，转置卷积做上采样(增加特征图的空间分辨率)。

（2）转置卷积操作

（3）形状换算

二、操作

1、对输入矩阵X和卷积核矩阵K实现基本的转置卷积运算

def trans_conv(X, K):
    h, w = K.shape
    #卷积输出尺寸是(x-h)/s+1，(x-w)/s+1
    Y = torch.zeros((X.shape[0] + h - 1, X.shape[1] + w - 1))
    for i in range(X.shape[0]):
        for j in range(X.shape[1]):
            Y[i: i + h, j: j + w] += X[i, j] * K
    return Y

也有api实现

X, K = X.reshape(1, 1, 2, 2), K.reshape(1, 1, 2, 2)
tconv = nn.ConvTranspose2d(1, 1, kernel_size=2, bias=False)
tconv.weight.data = K
tconv(X)

2、填充、步幅和多通道

X = torch.rand(size=(1, 10, 16, 16))
conv = nn.Conv2d(10, 20, kernel_size=5, padding=2, stride=3)
tconv = nn.ConvTranspose2d(20, 10, kernel_size=5, padding=2, stride=3)
tconv(conv(X)).shape == X.shape