- 转置卷积和卷积的区别：
- 卷积不会增大输入的高宽，通常要么不变、要么减半
- 转置卷积则可以用来增大输入高宽
- 转置卷积的具体实现：
如图所示，input里的每个元素和kernel相乘，最后把对应位置相加，相当于卷积的逆变换
- 为什么称之为“转置：
- 对于卷积Y=X*W
- 可以对W构造一个V，使得卷积等价于矩阵乘法Y'=VX'
- 这里Y',X'是Y,X对应的向量版本
- 转置卷积等价于Y'=VTX'
- 如果卷积将输入从（h，w）变成了（h‘，w’）
- 同样超参数的转置卷积则从（h‘，w’）变成为（h，w）
- 对于卷积Y=X*W
-
重新排列输入和核
- 当填充为0步幅为1时：
- 将输入填充k-1（k时核窗口）
- 将核矩阵上下、左右翻转
- 然后做正常卷积（填充0、步幅1）
- 当填充为p步幅为1时：
- 将输如填充k-p-1（k是核窗口）
- 将核矩阵上下、左右翻转
- 然后做正常卷积（填充0、步幅1）
-
当填充为p步幅为s时：
-
在行和列之间插入s-1行或列
-
将输如填充k-p-1（k是核窗口）
-
将核矩阵上下、左右翻转
-
然后做正常卷积（填充0、步幅1）
-
- 当填充为0步幅为1时：
-
形状换算
-
输入高（宽）为n，核k，填充p，步幅s：
-
转置卷积：n‘=sn+k-2p-s
-
卷积：n’=[(n-k-2p+s)/s]向下取整
-
-
如果让高宽成倍增加，那么k=2p+s
-
-
同反卷积的关系
- 数学上的反卷积是指卷积的逆运算
- 若Y=conv（X,K），那么X=deconv（Y,K）
- 反卷积很少用在深度学习中
- 我们说的反卷积神经网络指用了转置卷积的神经网络
- 数学上的反卷积是指卷积的逆运算
-
总结
- 转置卷积是一种变化了输入和核的卷积，来得到上采用的目的
- 不等同于数学上的反卷积操作
