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)

带outpadding的计算:公式
Transposed convolution:pytorch ConvTranspose2d参数设置_第1张图片

详解outpadding

你可能感兴趣的:(pytorch学习)