反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释

已于 2024-10-18 16:04:14 修改
阅读量1.9w 收藏 345
点赞数 111
分类专栏： 收费专栏 文章标签： 深度学习 人工智能 神经网络
于 2022-07-06 17:48:52 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/zhaohongfei_358/article/details/125639916
版权

免费链接： Blogger(需翻Q)

文章目录

反卷积的作用

传统的卷积通常是将大图片卷积成一张小图片，而反卷积就是反过来，将一张小图片变成大图片。

但这有什么用呢？其实有用，例如，在生成网络(GAN)中，我们是给网络一个向量，然后生成一张图片

在这里插入图片描述

所以我们需要想办法把这个向量一直扩，最终扩到图片的的大小。


卷积中padding的几个概念

在了解反卷积前，先来学习传统卷积的几个padding概念，因为后面反卷积也有相同的概念

No Padding

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PyTorch的逆卷积函数nn.ConvTranspose2d()参数说明及确定
丶玉面小蛟龙的博客
07-13 1155
PyTorch的逆卷积函数nn.ConvTranspose2d相关说明参数说明逆卷积的参数确定(stride , kernel_size , padding) 参数说明 torch.nn.ConvTranspose2d( in_channels, #输入数据的通道数 out_channels, #输出数据的通道数 kernel_size, #卷积核的尺寸
3.TransposedConv2d实现 （含dilation）
weixin_42216799的博客
11-18 1344
反卷积介绍及C++实现
反卷积(Transposed Convolution, Fractionally Strided Convolution or Deconvolution)
热门推荐
wakaka的博客
04-01 5万+
关于反卷积Deconvolution，转置卷积Transposed Convolution 的一些介绍。
转置卷积nn.ConvTranspose2d的用法
2301_79465634的博客
11-09 391
print("输入值的大小：",input.shape)print("输入值的大小：",input.shape)print("输出值的大小：",o.shape)print("输出值的大小：",o.shape)print("输出值：",o)print("输出值：",o)
探索 PyTorch 中的 ConvTranspose2d 及其转置卷积家族
最新发布
阿正的梦工坊
03-13 1186
原理介绍
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
nn.ConvTranspose2d详解
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。
PyTorch库学习之nn.ConvTranspose2d(模块)
qq_46396470的博客
09-05 1998
是 PyTorch 中的一个模块，用于实现二维转置卷积（也称为反卷积或上采样卷积）。转置卷积通常用于生成比输入更大的输出，例如在生成对抗网络（GANs）和卷积神经网络（CNNs）的解码器部分。
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,
.ConvTranspose2d(
07-28
- *1* *2* *3* [反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释](https://blog.csdn.net/zhaohongfei_358/article/details/125639916)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630",...
ConvTranspose
08-27
- *1* *2* *3* [反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释](https://blog.csdn.net/zhaohongfei_358/article/details/125639916)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630",...
深度学习中小知识点系列(十六) 解析pytorch中Conv1d、Conv2d，Conv3d，空洞卷积，转置卷积，深度可分离卷积(详尽)
专注于人工智能学习，总结
12-11 1198
Dilated/Atrous Convolution(中文叫做空洞卷积或者膨胀卷积) 或者是 Convolution with holes 从字面上就很好理解，是在标准的 convolution map 里注入空洞，以此来增加 reception field。
Pytorch 转置卷积nn.ConvTranspose2d 参数设置总结
不佛的博客
11-17 9930
本文总结Pytorch中用转置卷积还原卷积过程的参数设置。 直接上栗子，卷积过程： 5×5输入特征图，步长s=2s=2s=2，卷积核k=3k=3k=3，填充p=1p=1p=1。 输出特征图为5−k+2ps+1=3\displaystyle \frac{5-k+2p}{s}+1=3s5−k+2p​+1=3。 转置卷积过程如上图： 扩张3×3特征图：相邻2行/列间插入s−1s-1s−1行/列0值，padding同ppp。 卷积核同kkk，步长始终为1。 看一下Pytorch中转置卷积nn.ConvTran
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，
Net: ConvTranspose2d
芒果干的博客
02-17 2797
本文中主要讲解PyTorch中的转置卷积、逆卷积、微步卷积: ConvTranspose2d函数 ConvTranspose2d nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros', device=None, dtype=None) 此函数作一个反卷积操作，
class torch.nn.ConvTranspose2d函数
webmater2320的博客
08-18 1026
逆卷积？转置卷积？随便了 class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True) in_channels(int) – 输入信号的通道数 out_channels(int) – 卷积产生的...
nn.Conv2d和nn.ConvTranspose2d参数说明及区别**
weixin_45798280的博客
11-27 2万+
nn.Conv2d和nn.ConvTranspose2d参数说明及区别 1、nn.Conv2d(in_channels，out_channels，kernel_size，stride=1，padding=0，dilation=1，groups=1，bias=True) in_channels：输入维度 out_channels：输出维度 kernel_size：卷积核大小 stride：步长大小 padding：补0 dilation：kernel间距 groups(int, optional) ： 从输入
深度学习基础----ConvTranspose2d(反卷积操作)
qq_28057379的博客
07-17 1230
1、函数： torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0,
pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数 out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride=1, #卷积步长，就是卷积操作时每次移动的格子数 padding=0, #原图周围需要填充的格子行（列）数 output_padding=0, #输出特征图边缘需要填充的行（列）数，一般不设置 groups=1, #分组卷积的组数，一般默认设置为1，不用管 bias=Tru
评论 7
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

打赏作者

iioSnail

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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