解卷積（deconvolution）或者反卷積，類似於卷積的逆運算；如果按照嚴格的數學公式來叫，應該叫做「轉置卷積(transpose convolution)」，也有的地方叫它「分數跨度(fractional strided)卷積」。解卷積最直觀的作用是擴大feature map的解析度，在語義分割任務中被廣泛使用。
解卷積的維度計算公式如下：
w_new = stride*w - 2*pad + (kernel-stride)
從上面的公式可以看到：與卷積相反，pad越大，解卷積的輸出越小。
放大整數倍有兩種設定：
1、pad=0，kernel=stride
2、kernel = 2*stride - stride%2, pad=ceil((kernel-stride-1)/2)或pad=(kernel-stride)/2
第2種情況下：
核為5，放大3倍，pad=1
核為4，放大4倍，pad=2
核為9，放大5倍，pad=2
上面兩種設定各有優缺點，應根據情況進行選擇。第一種設定kernel size更大，導致計算量大，但輸出的feature map會較為平滑，第二種設定反之。
卷積神經網路計算過程中的維度變化
最近在學習pytorch,在閱讀pytorch教程的時候，發現有乙個簡單的卷積神經網路，之前搞明白過這個過程，時間太久，都忘的差不多了，正好寫個筆記記錄總結一下 如下 usr bin env python3 coding utf 8 author macan time 2019 10 29 19 5...
解卷積與卷積的一些思考
elfin目錄 解卷積可以理解為卷積的 逆向 過程，但是說deconvolution是反卷積，這個好像並不是那麼恰當，查閱資料，deconvolution這個詞的專業解釋 專有名詞翻譯 叫 解卷積 去卷積。實際上這個叫法更專業，更貼近深度學習的使用場景。後面在介紹deconvolution和卷積層是...
卷積層以及池化層的輸出維度
一 輸入的四個維度 2 height weight 的高和寬。3 channels 的通道數，黑白 就是1，rgb就是3。例如我們的輸入是x 333，28，28，3 則代表我們有333個寬和高都是28的黑白 單通道 二 卷積核的四個維度 1 height weight 卷積核矩陣的維度 2 inch...