反卷積操作Conv2DTranspose

在cnn網路中，輸入影象通過卷積操作提取特徵後，輸出的尺寸常會變小，而有時我們需要將影象恢復到原來的尺寸以便進行進一步的計算(比如：影象的語義分割)，那麼我們需要實現影象由小解析度到大解析度的對映的操作，叫做上取樣(upsample)。

上取樣有多種方法，比如最近鄰插值(nearest neighbor interpolation)、雙線性插值(bi-linear interpolation)等，反卷積也是上取樣的一種方法。反卷積，也叫轉置卷積，它並不是正向卷積的完全逆過程，它不能完全的恢復輸入矩陣的資料，只能恢復輸入矩陣的大小。

反卷積操作就是卷積操作的不完全逆過程，反卷積的數學原理網上有很多文章，我們這裡就不做描述了，有興趣的小夥伴可以網上參考一下其他博文。我們這裡做一下tensorflow2的conv2dtranspose操作的解釋，以便小夥伴做上取樣時候可以快速實現。

那麼，我們開始conv2dtranspose的使用介紹，首先看一下它的函式原型：

layers.conv2dtranspose(
filters,
kernel_size,
strides=(1, 1),
padding='valid',
output_padding=none,
data_format=none,
dilation_rate=(1, 1),
activation=none,
use_bias=true,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=none,
bias_regularizer=none,
activity_regularizer=none,
kernel_constraint=none,
bias_constraint=none,
**kwargs,
)docstring:     
transposed convolution layer (sometimes called deconvolution).

引數：

在dcgans網路的生成器g重使用了conv2dtranspose進行特徵的提取，我們就以dcgans網路中例子說明conv2dtranspose的使用方法。

#建立生成器
def make_generator_model():
model = tf.keras.sequential()#建立模型例項
#第一層須指定維度 #batch無限制
model.add(layers.dense(7*7*batch_size, use_bias=false, input_shape=(100,)))#desne第一層可以理解為全連線層輸入，它的秩必須小於2
model.add(layers.batchnormalization())
model.add(layers.leakyrelu())
model.add(layers.reshape((7,7,256)))
assert model.output_shape == (none,7,7,256)
#轉化為7*7*128
model.add(layers.conv2dtranspose(128,(5,5),strides=(1,1),padding='same',use_bias=false))
assert model.output_shape == (none,7,7,128)
model.add(layers.batchnormalization())
model.add(layers.leakyrelu())
#轉化為14*14*64
model.add(layers.conv2dtranspose(64,(5,5),strides=(2,2),padding='same',use_bias=false))
assert model.output_shape == (none,14,14,64)
model.add(layers.batchnormalization())
model.add(layers.leakyrelu())
#轉化為28*28*1
model.add(layers.conv2dtranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=false,activation='tanh'))
assert model.output_shape == (none, 28, 28, 1)          
return model

上面**就是dcgans生成器g的網路模型**，第二層使用conv2dtranspose提取特徵。 model.add(layers.conv2dtranspose(128,(5,5),strides=(1,1),padding='same',use_bias=false))

使用說明：

1、128代表該網路層的深度，就是filter size。

2、(5,5)是我們的kernel size。

3、步長strides為（1,1）

4、padding = 『same』

padding有兩個取值，乙個"valid"或"same"(不區分大小寫)。vaild：直接使用輸入資料的大小進行卷積，沒有padding補0操作。

same:表示卷積操作中如果輸入資料不夠的話，使用0進行變節補齊。

use_bias=false 表示我們不需要偏置資料。

好了，到這就是dcgans生成器中我們引數使用的說明，那麼引數為什麼這麼使用呢？我們就來詳細解釋一下。

反卷積的計算公式分兩種情況：

反卷積的計算公式為：

2、反卷積的計算公式為：

有了卷積核反卷積公式，我們就可以在使用conv2dtranspose驗證我們所寫的引數是否符合我們的預期。

在生成器中，第二層網路model.add(layers.conv2dtranspose(128,(5,5),strides=(1,1),padding='same',use_bias=false))

可以看出，我們輸入i = 7，卷積核大小k=5，步長s=1，有padding補齊操作，並且我們想輸出o=7。我們利用反卷積公式判斷哪種，帶入第一種情況則，(7+2p - 5)%1 = 0,則(2 +2p)%1 = 0.由於模1操作等式肯定成立。那麼，我們就用第一種情況公式計算得出 : 7 = 1*(7 - 1) - 2p + 5,得出2p = 4，則 p = 2。說明p = 2時候，我們得出輸出為（7,7）。我們再用卷積公式驗證我們的反卷積操作是否正確，帶入卷積公式：o = （7 +2*2 - 5）/ 1 + 1 = 7，則輸出為7，說明卷積核反卷積操作都驗證成功。

同理，第三層反卷積操作為model.add(layers.conv2dtranspose(64,(5,5),strides=(2,2),padding='same',use_bias=false))

可以看出輸入為i=(7,7),卷積核k = (5,5),步長strides = 2,padding='same'（有補齊操作），打算輸出o=（14,14）的。我們利用反卷積公式帶入驗證是哪種情況，帶入公式得出，(14 + 2p - 5)%2，得出（9 + 2p）%2≠0，則我們地圖反卷積公式2：

14 = 2*（7 - 1）-2p + 5 + (14 + 2p - 5)%2 => 14 = 17 - 2p + (9 + 2p)%2。我們分情況判斷p的值：

當p = 1，右邊為（17 - 2 + 1）=16≠14

當p = 2, 右邊為（17- 4 + 1）=14 = 14，左右成立。

則p = 2.

根據反卷積公式2，我們帶入公式驗證結果：o = 2 *(7 - 1) - 2*2 + 5 +(14 + 2*2 - 5)%2 = 12 - 4 + 5 + 1 = 14，等於我們要輸出的大小(14,14)。再根據卷積公式我們驗證反卷積結果，帶入卷積公式：o = (14 + 2* 2 - 5)/2 + 1 = 6+ 1 = 7,與輸入一致。

dcgans的輸出層輸出大小（28,28）的大小，小夥伴們可以自己計算驗證一下。

反卷積操作Conv2DTranspose

TensorFlow學習卷積層conv2d引數

tensorflow2建立卷積核Conv2D函式

TensorFlow演示反卷積的操作

反卷積操作Conv2DTranspose

TensorFlow學習 卷積層conv2d引數

tensorflow2建立卷積核Conv2D函式

TensorFlow演示反卷積的操作

相關推薦

TensorFlow學習卷積層conv2d引數