Transposed convolution：pytorch ConvTranspose2d参数设置

一、卷积操作：

假设cnn中某一层：

        输入特征图：H*H，

        卷积核：k*k，

        步长stride：s，

         padding：p

那么经过这层卷积之后特征图大小：（H-k+2*p）/  s + 1

 

二、Transposed convolution（逆卷积）

逆卷积先根据输入H，k，s，p 得到相应的H'，k'，s'，p'，然后执行和卷积一样的变化。例如：

逆卷积输入：                                      变化后：

     特征图：H*H                              特征图：H’ * H'       (H' = H + (s-1)*(H-1)，对应差值操作，在相邻行、列之间插入（s-1）零) 

     卷积核：k*k                               卷积核：k' * k'         (k' = k，卷积核大小不变)

     步长stride：s                             步长stride：s'          (s' = 1，不管之前s是多少，s'永远都是1)

     padding：p                                 padding：p'             (p' = k - p - 1)

 

 

三、具体例子

特征图：5 * 5 * 1

定义一层卷积 conv1：nn.Conv2d(1，16，kernel_size=(3,3)，stride=(2,2)，padding=(1,1))

特征图经过conv1之后变成：3 * 3 * 16

那么逆卷积就是将 3*3*16 变回 5*5*1 的特征图

定义逆卷积 t_conv1：nn.ConvTranspose2d(16，1，kernel_size=(3,3)，stride=(2,2)，padding=(1,1))

注意：逆卷积层的定义与紧邻的卷积的kernel_size，stride，padding相同，通道正好相反

ConvTranspose2d内部实现（对照上面的逆卷积）：

逆卷积输入：                         变换后：                                                 逆卷积操作:（5-3+2*1）/ 1 + 1 = 5    也就是3*3转换成5*5

    特征图：3*3                            特征图：5*5 （5 = 3+(2-1)*(3-1)）

    卷积核：3*3                            卷积核：3*3

    步长stride：2                          步长stride：1

    padding：1                             padding：1   （1 = 3-1-1）