【PyTorch】转置卷积 ConvTranspose2d

106 阅读 0 评论 70 点赞

我是靠谱客的博主沉默溪流，最近开发中收集的这篇文章主要介绍【PyTorch】转置卷积 ConvTranspose2d，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

转置卷积在《卷积的实现与转置卷积》中已经出现过，在 $P y T o r c h$ 中转置卷积层的定义如下 (以二维为例)：

torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, 
stride=1, padding=0, output_padding=0, groups=1, bias=True, 
dilation=1, padding_mode='zeros', device=None, dtype=None)

其中 $in_channels,out_channels,kernel_size$ 是三个常用参数，其意义与卷积层完全一致，二者区别主要体现在计算规则。
我们记 $c$ 是转置卷积核的维度， $s, p$ 分别代表步长与填充， $H_{in},H_{out}$ 分别代表输入数据和输出数据的维度，那么有： $H_{out}=big(H_{in}-1big)times s-2p+ctag{1}$
这里将卷积层维度计算式回顾如下，二维卷积中，假定原图像大小为 $H_{in}times H_{in}$ ，卷积核大小为 $c \times c$ ，步长 $s t r i d e$ 记为 $s$ ，填充 $p a d d i n g$ 记为 $p$ ，那么卷积层的每输出维度为： $H_{out}=frac{H_{in}+2p-c}{s}+1tag{2}$ 可以发现是完全对称的。
在 $G i t H u b$ 上有一个对卷积以及反卷积进行可视化的网页，可以配合理解。