卷积与反卷积动图

各种卷积与反卷积动态图
反卷积:
详细文字链接:https://www.zhihu.com/question/43609045/answer/132235276(该链接中并没有下面的动态图)

Deconvolution大致可以分为以下几个方面:(1)unsupervised learning,其实就是covolutional sparse coding[1][2]:这里的deconv只是观念上和传统的conv反向,传统的conv是从图片生成feature map,而deconv是用unsupervised的方法找到一组kernel和feature map,让它们重建图片。(2)CNN可视化[3]:通过deconv将CNN中conv得到的feature map还原到像素空间,以观察特定的feature map对哪些pattern的图片敏感,这里的deconv其实不是conv的可逆运算,只是conv的transpose,所以tensorflow里一般取名叫transpose_conv。(3)upsampling[4][5]:在pixel-wise prediction比如image segmentation[4]以及image generation[5]中,由于需要做原始图片尺寸空间的预测,而卷积由于stride往往会降低图片size, 所以往往需要通过upsampling的方法来还原到原始图片尺寸,deconv就充当了一个upsampling的角色。
卷积与反卷积动图_第1张图片
arbitrary_padding_no_strides

卷积与反卷积动图_第2张图片
arbitrary_padding_no_strides_transposed

卷积与反卷积动图_第3张图片
dilation

卷积与反卷积动图_第4张图片
full_padding_no_strides

卷积与反卷积动图_第5张图片
full_padding_no_strides_transposed

卷积与反卷积动图_第6张图片
no_padding_no_strides

卷积与反卷积动图_第7张图片
no_padding_no_strides_transposed

卷积与反卷积动图_第8张图片
no_padding_strides

卷积与反卷积动图_第9张图片
no_padding_strides_transposed

卷积与反卷积动图_第10张图片
padding_strides

卷积与反卷积动图_第11张图片
padding_strides_odd

卷积与反卷积动图_第12张图片
padding_strides_odd_transposed

卷积与反卷积动图_第13张图片
padding_strides_transposed

卷积与反卷积动图_第14张图片
same_padding_no_strides

卷积与反卷积动图_第15张图片
same_padding_no_strides_transposed

你可能感兴趣的:(深度学习(deep,learning))