pytorch中 nn.ConvTransposed2d 的使用

前驱知识

卷积与反卷积

符号规定：

卷积过程

• input_size = i
• kernel_size = k
• stride = s
• padding = p
• output_size = o

对应的反卷积过程：

• input_size = i’
• kernel_size = k’
• stride = s’
• padding = p’
• output_size = o’
• a = (i+2p-k)%s，即无法完整卷积的余数

且有：k’=k, s’=1, i’=o, o’=i

nn.ConvTranspose2d()关键参数

• in_channels(int) – 输入的通道数
• out_channels(int) – 卷积产生的通道数
• kerner_size(int or tuple) - 与此次反卷积对应的卷积的卷积核大小，即 k
• stride(int or tuple,optional) - 与此次反卷积对应的卷积的卷积步长，即 s
• padding(int or tuple, optional) - 与此次反卷积对应的卷积的单侧padding大小，即 p
• output_padding(int or tuple, optional) - 输出边补充0的层数，即 a

例如，一张 (1, 3, 14, 14)的图像，使用ConvTranspose2d(3, 1, kernel_size=3, stride=2, padding=1, output_padding=1)进行反卷积：
i’=14,
k=3,
s=2,
p=1,
a=1.
根据反卷积计算规则：
k’=k=3,
s’=1,
p’=k-1-p=1,
因为s>1，对i’内部填充0，i’’=14+（s-1）(14-1)=27
所以，反卷积之后的输出尺寸为：
o’ = (i’’+2p’-k’+a)/s’ + 1 = (27+2*1-3+1)/1 + 1 = 28
输出尺寸翻倍。