參數

conv2d_transpose( inputs, filters, kernel_size, strides=(1, 1), padding=’valid’, data_format=’channels_last’, activation=None, use_bias=True, kernel_initializer=None, bias_initializer=tf.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None, reuse=None )

比較關注的參數：

• inputs: 輸入的張量
• filters: 輸出卷積核的數量
• kernel_size : 在卷積操作中卷積核的大小
• strides: （不太理解，我直接理解成放大的倍數）
• padding : ‘valid’ 或者 ‘same’。

觀察之后看到，補0?過程分為兩個部分：元素之間和外輪廓

1 、當padding = ‘valid’時：

? ? ?元素之間補0：（input_size - 1）×（strides - 1）

? ? ?外輪廓補0：（kernel_size - 1）× 2

? ? ?output_size = (input_size? + （input_size - 1）×（strides - 1） +（kernel_size - 1）× 2 - kernel_size ) / 1 + 1

2、當padding = ‘same’時：

? ? ?output_size = input_size × strides

? ? ?他是通過調整外輪廓的補0 數量實現的，如果不夠，我個人覺得可能元素之間補0也會減少

img = np.random.randint(0, 255, (5, 16, 16, 32)).astype(np.float32) img_t = tf.constant(img, tf.float32)transpose_v = tf.layers.conv2d_transpose(inputs=img_t, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='valid') transpose_s = tf.layers.conv2d_transpose(inputs=img_t, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='same') print('valid 輸出尺寸：', transpose_v.shape) print('same 輸出尺寸： ', transpose_s.shape)valid 輸出尺寸： (5, 36, 36, 16) same 輸出尺寸： (5, 32, 32, 16)

反卷積的過程

• Step 1 擴充: 將?inputs?進行填充擴大。擴大的倍數與strides有關。擴大的方式是在元素之間插strides - 1?個?0
• Step 2 卷積: 對擴充變大的矩陣，用大小為kernel_size卷積核做卷積操作，這樣的卷積核有filters個，并且這里的步長為1(與參數strides無關，一定是1)

舉個例子：

• inputs：[ [1, 1], [2,2] ]
• strides = 2(擴大2倍)
• filters = 1
• kernel_size = 3(假設核的值都是1)
• padding = ‘same’

Step 1：[2,2] 擴大至 [4,4]

• 問題描述：一個矩陣XX，通過 3*3 大小的卷積核，以 ‘same’的padding形式，步長為2做卷積，得到 [[1,1],[2,2]]，問XX長啥樣
  
  通過填充，讓原來2*2的矩陣變成4*4。填充的方式是我自己根據代碼給出的結果猜的，大概就是先在元素之間插strides - 1個0，然后在填充邊緣使矩陣達到目標尺寸。
  目標尺寸可以根據下面的公式來求：
  
  其中?x為目標尺寸，k是卷積核的尺寸,?p表示填充的個數,?o表示輸出的尺寸,s表示步長。
  在這里，k,p,s,o都是已知的，求x即可。但是因為有取整操作，實際上會有兩個值符合x，似乎是取大的那個。
  在這個例子中k=3,p=1,s=2,o=2，得到x=4或x=3或x=3，取大的那個，所以x=4

Step 2 : 做卷積，卷積核大小3*3， 步長為1

這一步就是普通的做卷積操作。

?

代碼驗證

a = np.array([[1,1],[2,2]], dtype=np.float32) # [[1,1], # [2,2]]# tf.layers.conv2d_transpose 要求輸入是4維的 a = np.reshape(a, [1,2,2,1])# 定義輸入 x = tf.constant(a,dtype=tf.float32) # 進行tf.layers.conv2d_transpose upsample_x = tf.layers.conv2d_transpose(x, 1, 3, strides=2, padding='same', kernel_initializer=tf.ones_initializer()) with tf.Session() as sess:tf.global_variables_initializer().run()print(sess.run(upsample_x))# [[[[1],[1],[2],[1]],# [[1],[1],[2],[1]],# [[3],[3],[6],[3]],# [[2],[2],[4],[2]]]]

?

總結

以上是生活随笔為你收集整理的深度学习 tensorflow tf.layers.conv2d_transpose 反卷积 上采样的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。