ZFNet: Visualizing and Understanding Convolutional Networks

ZFnet的创新点主要是在信号的“恢复”上面，什么样的输入会导致类似的输出，通过这个我们可以了解神经元对输入的敏感程度，比如这个神经元对图片的某一个位置很敏感，就像人的鼻子对气味敏感，于是我们也可以借此来探究这个网络各层次的功能，也能帮助我们改进网络。

论文结构

在这里插入图片描述

1. input: , filter size: 7, filter count: 96, stride: 2, padding: 1, 我觉得是要补一层零的，否则输出是109而不是110-->ReLU --> maxpool: size: , stride: 2, 似乎这里也要补一层零， 否则 --> contrast normalized;
2. input: , filter size: 5, count: 256, stride: 2, padding: 0 --> ReLU --> maxpool: size: , stride: 2, padding: 1--> contrast normlized;
3. input: , filter size: 3, count: 384, stride: 1, padding: 1 --> ReLU
4. input: , filter size: 3, count: 384, stride: 1, padding: 1 --> ReLU
5. input: , filter size: 3, count: 256, stride: 1, padding: 1 --> ReLU --> maxpool: size: 3, stride: 2, padding: 0 --> contrast normlized?
6. input: -- > 4096 -- > ReLU -- > Dropout(0.5)
7. input: 4096 -- > 4096 --> ReLU -- > Dropout(0.5)
8. input: 4096 --> numclass ...

反卷积

网上看了很多人关于反卷积的解释，但是还是云里雾里的.

先关于步长为1的，不补零的简单情况进行分析吧, 假设:

input: ,
kernel_size: ,
stride: 1,
padding: 0

此时输出的大小应当满足：

现在，反卷积核大小依旧为, 那么我们需要补零为多少才能使得反回去的特征大小为.
即:

即我们要补零.

如果stride 不为1呢？设为, 那么:

按照别的博客的说话，需要在特征之间插入零那么:

如果我们希望（至于为什么希望我不清楚）:

如果还有补零:

但是回去的时候我们是不希望那个啥补零的，所以:

不变,
如果, 结果为:

最大的问题是什么，是why! 为什么要这样反卷积啊？