Caffe源码精读 - 7 - Caffe Layers之deconv_layer(反卷积层)

Class_7 Caffe Layers之deconv_layer(反卷积层)

1. 概述

deconv_layer是反卷积层，在DL领域又叫转置卷积。

反卷积层到目前最大的用处就是实现上采样。典型的如yolov3和yolov4中，做feature map融合的时候，先采取1*1卷积降维，然后采用反卷积实现上采样。

       deconv_layer也是和base_conv_layer有千丝万缕的联系，鉴于在讲conv_layer的时候已经讲过，在此不做赘述。

2. deconv_layer

（1）compute_output_shape

compute_output_shape功能是用来计算反卷积输出的H和W信息。

首先是从传入的参数中，提取kernel_shape_data, stride_data, pad_data, dilation_data。

然后根据公式将H和W信息导入output_shape。

（2）Forward_cpu

在反卷积层中，前向计算是调用的backward_cpu_gemm这个函数。具体就是实现bottom_data * weight = top_data。

（3）Backward_cpu

Backward_cpu稍微复杂一些。

首先是调用backward_cpu_bias对偏执进行反向传播。

然后调用weight_cpu_gemm更新权重的偏差，权重偏差更新公式是:

weight_diff = top_diff  *  bottom_data + weight_diff

最后调用forward_cpu_gemm更新bottom_diff, 更新公式是：

bottom_diff = top_diff * weight_data。

 

3. 更新weight_data和bias_data

所有的反向操作的目的都是更新weight_data和bias_data。

当我们计算好了weight_diff和bias_diff以后，更新权值和偏置这一步都是由各优化器的ApplyUpdate来完成。