1 反卷积计算

pytorch中反卷积的函数为：

class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0,output_padding=0,groups=1,bias=True, dilation=1)
# 一般为以下
nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride, padding)

参数的含义如下：

in_channels(int) – 输入信号的通道数
out_channels(int) – 卷积产生的通道数
kernel_size(int or tuple) - 卷积核的大小
stride(int or tuple,optional) - 卷积步长，即要将输入扩大的倍数。
padding(int or tuple, optional) - 输入的每一条边补充0的层数，高宽都增加2*padding
output_padding(int or tuple, optional) - 输出边补充0的层数，高宽都增加padding
groups(int, optional) – 从输入通道到输出通道的阻塞连接数
bias(bool, optional) - 如果bias=True，添加偏置
dilation(int or tuple, optional) – 卷积核元素之间的间距

而对于输入输出的计算，首先参数out_channels指定输出的通道数，即一定是output_size*output_size*out_channels，故主要计算输出的output_size，公式如下：

$outputsize=(inputsize-1)*stride-2*padding+kernelsize+outputpadding$

一般来说用以下公式：

$outputsize=(inputsize-1)*stride-2*padding+kernelsize$

例子：

# Generator Code
# 生成器 反卷积
class Generator(nn.Module):def __init__(self, ngpu):super(Generator, self).__init__()self.ngpu = ngpu  # Number of GPUs available. Use 0 for CPU mode. 可用的 GPUs 数量。self.main = nn.Sequential(# input is Z, going into a convolution   100维 nn.ConvTranspose2d( nz, ngf * 8, 4, 1, 0, bias=False), #（1-1）*1+4-2*0=4  nn.BatchNorm2d(ngf * 8),nn.ReLU(True),# state size. (ngf*8) x 4 x 4   4*4*512'''class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)'''nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False), # (4-1)*2-2*1+4=8nn.BatchNorm2d(ngf * 4),nn.ReLU(True),# state size. (ngf*4) x 8 x 8   8*8*256nn.ConvTranspose2d( ngf * 4, ngf * 2, 4, 2, 1, bias=False), # (8-1)*2-2*1+4=16nn.BatchNorm2d(ngf * 2),nn.ReLU(True),# state size. (ngf*2) x 16 x 16  16*16*128nn.ConvTranspose2d( ngf * 2, ngf, 4, 2, 1, bias=False), # (16-1)*2-2*1+4=32nn.BatchNorm2d(ngf),nn.ReLU(True),# state size. (ngf) x 32 x 32   32*32*64nn.ConvTranspose2d( ngf, nc, 4, 2, 1, bias=False), # (32-1)*2-2*1+4=64nn.Tanh()# state size. (nc) x 64 x 64   64*64*3)def forward(self, input):return self.main(input)

2 卷积计算

Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros’)

五个常用参数的含义如下：

in_channels：输入的通道数目；
out_channels：输出的通道数目；
kernel_size：卷积核的大小；
stride：卷积每次滑动的步长；
padding：填充，设置在所有边界增加值为 0 的边距的大小。

卷积神将网络的计算公式：N=(W-F+2P)/S+1，其中N:输出大小，W:输入大小，F:卷积核大小，P:填充值的大小，S:步长大小

例子：

# batch norm 和leaky relu函数促进了健康的梯度流
class Discriminator(nn.Module):def __init__(self, ngpu):super(Discriminator, self).__init__()self.ngpu = ngpuself.main = nn.Sequential(# input is (nc) x 64 x 64     128,3*64*64nn.Conv2d(nc, ndf, 4, 2, 1, bias=False), # 64-4+2/2+1=32  nn.LeakyReLU(0.2, inplace=True),# state size. (ndf) x 32 x 32  64*32*32nn.Conv2d(ndf, ndf * 2, 4, 2, 1, bias=False), # 32-4+2/2+1=16nn.BatchNorm2d(ndf * 2),nn.LeakyReLU(0.2, inplace=True), # state size. (ndf*2) x 16 x 16  128*16*16nn.Conv2d(ndf * 2, ndf * 4, 4, 2, 1, bias=False), # 16-4+2/2+1=8nn.BatchNorm2d(ndf * 4), # 256nn.LeakyReLU(0.2, inplace=True),# state size. (ndf*4) x 8 x 8   256*8*8nn.Conv2d(ndf * 4, ndf * 8, 4, 2, 1, bias=False), # 8-4+2/2+1=4nn.BatchNorm2d(ndf * 8),nn.LeakyReLU(0.2, inplace=True),# state size. (ndf*8) x 4 x 4  512*4*4nn.Conv2d(ndf * 8, 1, 4, 1, 0, bias=False), # 4-4/2+1=1nn.Sigmoid() # 128,1*1024)def forward(self, input):return self.main(input)

一些点：

Conv1d：用于文本数据，只对宽度进行卷积，对高度不进行卷积，而Conv2d：用于图像数据，对宽度和高度都进行卷积
Conv2d(输入通道数, 输出通道数, kernel_size（长和宽）)，当卷积核为方形时，只写一个就可以，但是当卷积核不是方形时，长和宽都要写，如下nn.Conv2d(H,W,....)

卷积和反卷积输出的计算公式相关推荐

卷积、空洞卷积、反卷积与空洞反卷积的计算公式(全)
前言: 经常使用的卷积有卷积.空洞卷积.反卷积与空洞反卷积的,下面总结了他们的计算公式. 一.卷积计算公式卷积神将网络的计算公式为: N=(W-F+2P)/S+1 其中 N:输出大小 W:输入大小 ...
cnn stride and padding_彻底搞懂CNN中的卷积和反卷积
前言卷积和反卷积在CNN中经常被用到,想要彻底搞懂并不是那么容易.本文主要分三个部分来讲解卷积和反卷积,分别包括概念.工作过程.代码示例,其中代码实践部分主结合TensorFlow框架来进行实践.给 ...
卷积与反卷积、步长（stride）与重叠（overlap）及 output 的大小
1. 卷积与反卷积如上图演示了卷积核反卷积的过程,定义输入矩阵为 III(4×44\times 44×4),卷积核为 KKK(3×33\times 33×3),输出矩阵为 OOO(2×22\time ...
深度可分离卷积、空洞卷积、反卷积、感受野计算、上采样
文章目录输出特征图尺寸的计算 Depthwise卷积和Pointwise运算成本比较低空洞卷积反卷积上采样输出特征图尺寸的计算 Depthwise卷积和Pointwise运算成本比较低如何 ...
一文搞懂转置卷积（反卷积）
↑ 点击蓝字关注极市平台作者丨土豆@知乎来源丨https://zhuanlan.zhihu.com/p/158933003 极市导读转置卷积在一些文献中也被称为反卷积,人们如果希望网络学习到上 ...
tensorflow 卷积、反卷积形式的去噪自编码器
tensorflow 卷积.反卷积形式的去噪自编码器对于去噪自编码器,网上好多都是利用全连接神经网络进行构建,我自己写了一个卷积.反卷积形式的去噪自编码器,其中的参数调优如果有兴趣的话,可以自行修改 ...
卷积与反卷积（转置卷积）关系的公式推导及其各自的形式
1. 卷积与反卷积(转置卷积)的关系推导: 2. Transposed Convolution, Fractionally Strided Convolution or Deconvolution h ...
卷积，反卷积，空洞卷积
卷积神经网络中卷积核的作用在于特征的抽取,越是大的卷积核尺寸就意味着更大的感受野,当然随之而来的是更多的参数.早在1998年,LeCun大神发布的LetNet-5模型中就会出,图像空域内具有局部相关性 ...
对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解
参考: https://zhuanlan.zhihu.com/p/28749411 https://zhuanlan.zhihu.com/p/28186857 https://blog.yani.io ...
深度学习中的卷积与反卷积
转载自:http://blog.csdn.net/panglinzhuo/article/details/75207855 卷积与反卷积操作在图像分类.图像分割.图像生成.边缘检测等领域都有很重要的作 ...

卷积和反卷积输出的计算公式

1 反卷积计算

2 卷积计算

卷积和反卷积输出的计算公式相关推荐

最新文章

热门文章