反卷积

2020-10-26 本文已影响0人 HelloSam

有关反卷积的文章：

https://my.oschina.net/u/3702502/blog/1803358

TensorFlow中的经验：
1、反卷积的时候：
①如果padding='same'，那么就是要扩大两倍，把stride写成2，即strides=2，
②如果padding='valid'，那么就用 $O=S(I-1)+k$ 来计算
其中 $O$ 是输出的图像的大小， $S$ 是步长， $I$ 你反卷积的那个图像的大小， $K$ 是卷积核大小。就能算出来反卷积后得到的图像的尺寸 $O$ .

2、卷积的时候：
①如果padding='same',
1.1 stride=1, 那么卷出来的大小和输入图像大小一样
1.2 stride=2，那么卷出来的效果就是输出图像长宽的除以2，除不开就向上取整，即：
$O = \lceil \frac{I} {S} \rceil$
②如果padding='valid'，那么p=0，就去套公式求输出的大小：
$O = \lceil \frac{I-K+1}{S} \rceil$

3、全局平均池化
如果有一批特征图,其尺寸为 $[ B, C, H, W]$ , 我们经过全局平均池化之后,尺寸变为 $[B, C, 1, 1]$

全局平均池化可以代替view的操作，把图像的长x宽 $\to$ 1x1

PyTorch中的经验：
1、对于卷积，统一公式：
$O = \lceil \frac{I-K+2P+1}{S} \rceil$
或者是
$O=\lfloor \frac{I-K+2P }{S}+1 \rfloor$
以上两个公式计算结果是一样的，举例说明：
对于 $[224,224,3]$ 的输入，用Conv2d(3, 48, kernel_size=11, stride=4, padding=2)得到：
$O = \lceil \frac{224-11+4+1}{4} \rceil= ceil(54.5) = 55$
$O = \lceil \frac{224-11+4 }{4}+1 \rceil= floor(55.25) = 55$
即得到： $[224,224,3]\to[55, 55, 48]$ 的特征图.

另外
对于池化操作：
$O = \lfloor \frac{I-K}{S} +1 \rfloor$
注意本来是向下取整的，即在 $PyTorch$ 中：

nn.MaxPool2d(
    kernel_size,
    stride=None,
    padding=0,
    dilation=1,
    return_indices=False,
    ceil_mode=False,
)

注意这个ceil_mode=False所以是向下取整，但是可以通过调整这个参数变成True之后就变成向上取整了。
常见地有， $K=2, S=2$ 则 $O=\frac{I-2}{2}+1=\frac{I}{2}$
还可以是， $K=3, S=2$ 则 $)=\frac{I-3}{2} + 1$ , 如果ceil_mode=False就向下取整，如果ceil_mode=True就向上取整.

反卷积

猜你喜欢

热点阅读