转置卷积：nn.ConvTranspose2d

已于 2022-04-06 20:55:46 修改
阅读量353 收藏
点赞数
分类专栏： CV笔记 文章标签： 深度学习 pytorch
于 2022-04-01 22:16:38 首次发布
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/xx_xjm/article/details/123909256
版权
本文深入解析转置卷积的概念，包括如何通过补零和卷积核旋转来实现转置卷积，以及在不同 stride 和 padding 情况下的处理方式。强调了转置卷积在保持数据空间连接性方面的重要性，并指出其在神经网络中输入输出通道的关系。同时，介绍了在实际使用中如何应用 nn.Conv2DTranspose。
摘要由CSDN通过智能技术生成

总结：

1：转置卷积可以用正常卷积来理解，对于没有padding的卷积来说，其转置卷积等同于

          a: 对输入进行四边补零，单边补零的数量为k-1

          b:将卷积核旋转180°，在新的输入上进行直接卷积

补零的原因其实是为了保证数据之间的空间连接关系，可以参考第2点的参考文章。

参考自：(4条消息) 抽丝剥茧，带你理解转置卷积（反卷积）_史丹利复合田的博客-CSDN博客_转置卷积

2：当卷积涉及到补零以及strides不等于1的情况的时候，其转置卷积步骤如下：

     

这里要对转置卷积的输入进行插值补零等操作，原因是要保证数据之间的空间连接性：

另外有一点要注意的是转置卷积的步长strides始终等于1。

参考自：关于转置卷积（反卷积）的理解 - 午夜稻草人 - 博客园 (cnblogs.com)

逆卷积的详细解释ConvTranspose2d（fractionally-strided convolutions) - 慢行厚积 - 博客园 (cnblogs.com)

3：如果只是想简单了解nn.Conv2DTranspose怎么用的话，参考：

(4条消息) nn.ConvTranspose2d 怎么理解怎么用_TangXin95的博客-CSDN博客

但这里有个问题，转置卷积和正常卷积时候的输入输出通道应该正好相反：如下：

还有一点需要说明，通过第1点我们知道，转置卷积核和正常卷积核的形状是一样的，所以我们可以保证两者值一样，直接赋值就好了：

xx_xjm
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
nn.ConvTransposed2d()-转置卷积过程详解
weixin_42112050的博客
05-22 1万+
转置卷积过程详解 转置卷积又称反卷积，逆卷积。在主流的深度学习框架之中，如Tensorflow，Pytorch,Kreas中的函数名都是conv_transpose。卷积的动态图解可以点此链接查看。 将一个4X4的输入通过3X3的卷积核核进行普通卷积后（无padding,stride=1）,将得到2X2的输出。而转置卷积将一个2X2的输入通过同样的3X3的卷积核，将得到一个4X4的输出。这看起来像是普通卷积的逆过程。事实上，这两者没有任何关系，操作过程也是不可逆的。 普通卷积（直接卷积） 但在实际计算中，
nn.ConvTranspose2d详解
热门推荐
lyy的博客
03-07 4万+
首先，对输入的feature map进行padding操作，得到新的feature map；然后，随机初始化一定尺寸的卷积核；最后，用随机初始化的一定尺寸的卷积核在新的feature map上进行卷积操作。补充一下，卷积核确实是随机初始的，但是后续可以对卷积核进行单独的修改，比如使用双线性卷积核，这样的话卷积核的参数是固定的，不可以进行学习修改。下面对上面的过程进行演示。
nn.ConvTranspose2d 逆卷积 反卷积
01-06
本文转摘于如下链接： 逆卷积的详细解释ConvTranspose2d（fractionally-strided convolutions) https://www.cnblogs.com/wanghui-garcia/p/10791328.html pytorch官方手册：https://pytorch.org/docs/stable/nn.html?highlight=convtranspose#torch.nn.ConvTranspose2d ConvTranspose2d torch.nn.ConvTranspose2d(in_channels, out_channels, kernel
谈谈Pytorch中的转置卷积 nn.ConvTranspose2d
要相信光
04-10 1万+
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) Dconv = nn
nn.conv2d ConvTranspose2d
qq_35608277的博客
12-31 2917
绿色为输出，灰色为卷积核，蓝色输入 conv 卷积 conv—transpose 上采样卷积 ref https://blog.csdn.net/FortiLZ/article/details/81051942 https://blog.csdn.net/u014722627/article/details/60574260 ...
TensorFlow tf.nn.conv2d实现卷积的方式
09-18
TensorFlow框架中的tf.nn.conv2d函数用于在二维输入数据上执行卷积运算，该运算通常用在构建卷积神经网络（CNN）中。这个函数的实现主要涉及到图像处理中的核心概念，包括输入图像、卷积核、步长、填充和输出feature...
pytorch之卷积神经网络nn.conv2d
01-06
pytorch之卷积神经网络nn.conv2d 卷积网络最基本的是卷积层，使用使用Pytorch中的nn.Conv2d类来实现二维卷积层，主要关注以下几个构造函数参数： nn.Conv2d(self, in_channels, out_channels, kernel_size, stride, ...
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
在PyTorch中，`nn.Conv2d()`是用于创建二维卷积层的类，它是深度学习模型构建中常用的基本组件。卷积层通过在输入数据上应用一系列滤波器（或称权重）来提取特征，这些滤波器通常具有一定的尺寸（kernel_size）、...
Pytorch损失函数nn.NLLLoss2d()用法说明
09-16
在PyTorch中，损失函数是衡量模型预测与真实标签之间差距的重要工具，nn.NLLLoss2d()是其中一种损失函数，主要用于二维数据，如图像处理任务。它全称为Negative Log Likelihood Loss（负对数似然损失），在分类问题...
转置卷积nn.ConvTranspose2d
qq_43733107的博客
09-18 570
转置卷积
11-1-转置卷积ConvTransposed2d
MaYuHuaw的博客
10-13 170
stride是图片像素点之间的间距，stride=1为像素的的正常间距，stride=2表示像素点间距为2，即添加了一排0填充。，消去0填充边缘，padding=1代表消去full卷积中的1条0填充边缘（不同于卷积中的添加0填充边）padding是图像四周的0填充，padding=1表示四周填充一排像素点。(stride=1, padding=0 就是一般性的full卷积)stride是卷积核的 滑动步长。能实现实现上采样，用于。
ConvTranspose2d(反卷积操作)
chen772209的博客
07-07 9268
nn.ConvTranspose2d(反卷积操作) 1,公式： **class torch.nn.ConvTranspose2d(in_channels,out_channels,kernel_size,stride=1,padding=0,output_padding=0， groups=1,bias=Tru...
tf.nn.conv2d_transpose反卷积（转置卷积）
qq_42192910的博客
05-03 8795
tf.nn.conv2d_transpose反卷积（转置卷积） 查阅资料了许久，很多博客资料都对知识进行详细讲解，但一到strides，padding就一带而过，自己发现还是对于步长stride和填充padding这两个因素对输出张量大小的关系不是很清楚，于是自行代码实验并在此记录。 反卷积的基本资料查阅： 1、介绍了反卷积的各种详细的知识： https://blog.csdn.net/mao_x...
反卷积torch.nn.ConvTranspose2d详解（含转换成卷积运算的代码示例）
cc__cc__的博客
11-20 1万+
1.torch.nn.ConvTranspose2d参数介绍 官方文档：https://pytorch.org/docs/master/generated/torch.nn.ConvTranspose2d.html#torch.nn.ConvTranspose2d torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1,
【PyTorch】教程：torch.nn.ConvTranspose2d
03-01 1037
2D 反卷积；该模块可以被视为 Conv2d 相对于其输入的梯度，也被称为分数跨步卷积或反卷积（尽管不是真正意义的反卷积，因为不计算卷积的真逆）。
【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 3519
基于PyTorch模块通过实例介绍转置卷积ConvTranspose
Pytorch：nn.Upsample() 和nn.ConvTranspose2d()
weixin_42046845的博客
03-20 1905
nn.Upsample 是一个在PyTorch中进行上采样（增加数据维度）的层，其通过指定的方法（如nearest邻近插值或linear、bilinear、trilinear线性插值等）来增大tensor的尺寸。这个层可以在二维或三维数据上按照给定的尺寸或者放大比例来调整输入数据的维度。
Tensorflow笔记——tf.nn.conv2d_transpose反卷积
qq_45704645的博客
11-07 985
tf.nn.conv2d_transpose反卷积（转置卷积） 首先无论你如何理解反卷积，请时刻记住一点反卷积操作是卷积的反向 接下来介绍一下反卷积的函数 conv2d_transpose(value, filter, output_shape, strides, padding=“SAME”, data_format=“NHWC”, name=None) 除去name参数用以指定该操作的name，与方法有关的一共六个参数： 第一个参数value：指需要做反卷积的输入图像，它要求是一个Tensor 第二个参
nn.ConvTranspose2d：
01-09
nn.ConvTranspose2d是PyTorch中的一个类，用于实现二维转置卷积操作。它可以用于图像处理、计算机视觉等任务中。 在卷积神经网络中，卷积操作通常用于提取图像的特征。而转置卷积操作则可以用于将特征图进行上采样，即将特征图的尺寸扩大，从而实现图像的放大或者恢复。 nn.ConvTranspose2d的构造函数如下： ```python nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1) ``` 参数说明： - in_channels：输入特征图的通道数。 - out_channels：输出特征图的通道数。 - kernel_size：卷积核的大小，可以是一个整数或者一个元组。 - stride：卷积核的步长，默认为1。 - padding：输入特征图的边缘填充大小，默认为0。 - output_padding：输出特征图的边缘填充大小，默认为0。 - groups：输入通道分组数，默认为1。 - bias：是否使用偏置，默认为True。 - dilation：卷积核的扩张率，默认为1。 使用nn.ConvTranspose2d可以实现图像的上采样操作，例如将一个特征图的尺寸从(3, 32, 32)放大到(3, 64, 64)： ```python import torch import torch.nn as nn conv_transpose = nn.ConvTranspose2d(3, 3, 2, stride=2) input = torch.randn(1, 3, 32, 32) output = conv_transpose(input) print(output.size()) # 输出：torch.Size([1, 3, 64, 64]) ``` 这样，nn.ConvTranspose2d就可以用于实现图像的放大或者恢复操作。
评论
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