Deconvolution, transpose_convolution,一步一步解释逆卷积

一步一步解释逆卷积：

上图中图像大小为2x2，卷积核大小（kernel size）为3x3, 步长（strides）为2，填充（padding）1；

那么逆卷积操作：

将原始图像的一个像素乘上卷积窗，移动一个步长，将重叠的区域作叠加运算。

注意的是：

在卷积中，卷积核大小只影响视野大小，与特征的提取的细腻程度有关系；

而步长决定了卷积后的空间分辨率，而输出通道数决定卷积核的数量。

相反在逆卷积中同样是个道理。步长决定了卷积后的空间分辨率。

因此上述步长为2，相当于原始图像扩大了2倍。但是未经修剪的卷积之后的图像大小为5x5（k+s(N-1)=3+2*(2-1)=5），

从第一个元素开始修剪。

在Tensorflow上验证：

import tensorflow as tf
import numpy as np

def test_conv2d_transpose():
    # input batch shape = (1, 2, 2, 1) -> (batch_size, height, width, channels) - 2x2x1 image in batch of 1
    x = tf.constant(np.array([[
        [[1], [2]], 
        [[3], [4]]
    ]]), tf.float32)

    # shape = (3, 3, 1, 1) -> (height, width, input_channels, output_channels) - 3x3x1 filter
    f = tf.constant(np.array([
        [[[1]], [[1]], [[1]]], 
        [[[1]], [[1]], [[1]]], 
        [[[1]], [[1]], [[1]]]
    ]), tf.float32)

    conv = tf.nn.conv2d_transpose(x, f, output_shape=(1, 4, 4, 1), strides=[1, 2, 2, 1], padding='SAME')

    with tf.Session() as session:
        result = session.run(conv)

    assert (np.array([[
        [[1.0], [1.0],  [3.0], [2.0]],
        [[1.0], [1.0],  [3.0], [2.0]],
        [[4.0], [4.0], [10.0], [6.0]],
        [[3.0], [3.0],  [7.0], [4.0]]]]) == result).all()