關於tensorflow中轉置卷積使用的理解

在FCN，U-net,GAN中都有使用轉置卷積（Transposed Convolution）的過程，轉置卷積不能單純地理解爲逆卷積（deconvolution）。

在CNN正向卷積過程是一個將圖片變小的過程，轉置卷積使得圖片逐漸變大，直至與原圖一樣大。

如何理解轉置卷積呢，可以先從將卷積的計算轉換成矩陣的計算來開始。

好了，到這兒大致瞭解了轉置卷積是什麼，能幹什麼了。也就是由卷積後得到的小圖經過轉置卷積可以得到大一點的圖（這比喻不太恰當，意會就好）。

下面是tensorflow中關於轉置卷積的API

這兒再附上tf中關於padding參數的用法：

好了，最後實戰一下，怎麼用tf中的轉置卷積：

import tensorflow as tf

# 正向卷積

 # 輸入尺度  [batch, height, width, in_channels]
inputx=tf.random_normal([100,255,255,3],dtype=tf.float32)
 # kernel  [height, width, in_channels, output_channels]
w=tf.random_normal(shape=[5,5,3,10],dtype=tf.float32)
 # 卷積輸出 (100, 126, 126, 10)，注意：這兒用的是VALID
outputy=tf.nn.conv2d(input=inputx,filter=w,strides=[1,2,2,1],padding='VALID')

用卷積計算輸出很容易，但是如果我現在想根據輸出圖片的大小，怎麼設置卷積核的尺寸和strides呢？先貼代碼

# 轉置卷積
# 輸入的value  [batch, height, width, in_channels]
value=tf.random_normal(shape=[100,126,126,10])
# filter [height, width, output_channels, in_channels]
w=tf.random_normal(shape=[4,4,3,10])
# 轉置卷積得出的結果
result=tf.nn.conv2d_transpose(value=value,filter=w,output_shape=[100,255,255,3],strides=[1,2,2,1],padding='VALID')



with tf.Session() as sess:
    tf.global_variables_initializer().run()
    # sess.run(outputy)
    # print(outputy.shape)

    sess.run(result)
    print(result.shape)

其實有個很簡單的思路，就是像計算卷積那樣計算轉置卷積。這句話是這麼個意思，比如代碼中我要得到255*255*3的一張圖片（也就是經過轉置卷積放大的圖片），第一步我們要確定我們用什麼padding方式，不同的padding方式確定不同的計算模式。代碼中我們使用VALID模式，那麼根據轉置卷積的輸入value是126*126*10的圖片，根據計算公式
ceil((255−kernel+1)/stride)=126,其中ceil是向上取整
設kernel等於4，stride算出來正好是2。
如果設置padding是SAME呢，據公式
ceil(255/stride)=126 ,窩草，這是算不出符合的整數stride的，這說明不能將126*126轉置卷積到255*255，據推算在stride爲2時候，要輸出255*255的只能輸入128*128的value到轉置卷積裏。

參考鏈接：http://blog.csdn.net/u013250416/article/details/78247818，
https://www.tensorflow.org/api_docs/python/tf/nn/conv2d_transpose，
https://www.tensorflow.org/api_docs/python/tf/nn/convolution，
《a guide to convolution arithmetic for deep learning》