pytorch 反卷积ConvTranspose2d

pytorch 反卷积ConvTranspose2d

---

引入nn.convTranspose2d

nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)
#in_channels(int) – 输入信号的通道数
#out_channels(int) – 卷积产生的通道数
#kerner_size(int or tuple) - 卷积核的大小
#stride(int or tuple,optional) - 卷积步长，即要将输入扩大的倍数。
#padding(int or tuple, optional) - 输入的每一条边补充0的层数，高宽都增加2*padding
#output_padding(int or tuple, optional) - 输出边补充0的层数，高宽都增加padding
#groups(int, optional) – 从输入通道到输出通道的阻塞连接数
#bias(bool, optional) - 如果bias=True，添加偏置
#dilation(int or tuple, optional) – 卷积核元素之间的间距

in_channels与out_channels 作用和正常卷积一样

我们需要重点关注的是kerner_size(int or tuple) K 和 stride S 以及padding 和 output_padding

Stride 在反卷积中可以理解为输入元素的间距，如输入图像为5252，stride 为2 就变为每个元素之间有（S-1=2-1=1）个间距，变成（52+51）（52+51）大小，即103*103

padding 和kerner_size结合使用，即总的padding=K-P-1，如K=2，P=0，则padding为K-P-1=1
反卷积中S恒为1
然后计算方式就和卷积一样的了（可以这样认为）

如：

from torch import nn
import torch

up = nn.ConvTranspose2d(1, 64, kernel_size=2 , stride=2)
x = torch.rand(size=(8, 1, 52, 52))

out = up(x)
print(out.shape)

h’=(H-K+2P)/S +1=（（52+51）-2+2*（2-0-1))/1+1=104

up = nn.ConvTranspose2d(1, 64, kernel_size=3 , stride=2)
x = torch.rand(size=(8, 1, 52, 52))

out = up(x)
print(out.shape)

h’=(H-K+2P)/S +1=（（52+51）-3+2*（3-0-1))/1+1=105