反卷積指的是，通過測量輸出和已知輸入重構未知輸入的過程。在神經網路中，反卷積過程不具備學習的能力。可以理解為下圖：
反卷積神經網路的應用場景
我們可以利用反卷積神經網路進行通道均衡、影象恢復、語音識別、**學、無損探傷等未知輸入heels過程辨識方面的問題。
反卷積的原理
反卷積，可以理解為卷積操作的逆操作，然而output並不能等於input，反卷積只是將卷積核轉置，與卷積後的結果再做一次卷積。
雖然他不能還原原來卷積的樣子，但是在作用上具有類似的效果，可以將帶有小部分缺失的資訊最大化地恢復，也可以用來恢復被卷積生成後的原始輸入。
看圖說話（來自於《深度學習之tensorflow：入門、原理與高階實戰》）：
可以發現反捲後的結果已經與原來的不等了，說明轉置卷積只能恢復部分特徵，無法百分百地恢復資料。
反池化原理
反池化是池化的逆操作，是無法通過池化結果還原出全部的原始資料。因為池化過程就相當於降維，保留主要資訊，捨去次要資訊。
池化有兩種方式：平均池化和最大池化。
平均池化
將池化結果中的每個值都填入其對應原始資料區域中的相應位置即可。
最大池化
最大池化要求記錄最大值的座標，在反池化的時候，只把最大值所在的座標啟用，其他用0填充，具體如圖：
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...