71.转置卷积以及代码实现_转置卷积的形状换算

到目前为止，我们所见到的卷积神经网络层，通常会减少下采样输入图像的空间维度（高和宽）。如果输入和输出图像的空间维度相同，在以像素级分类的语义分割中将会很方便。 例如，输出像素所处的通道维可以保有输入像素在同一位置上的分类结果。

为了实现这一点，尤其是在空间维度被卷积神经网络层缩小后，我们可以使用另一种类型的卷积神经网络层，它可以增加上采样中间层特征图的空间维度。 本节将介绍 转置卷积（transposed convolution）， 用于逆转下采样导致的空间尺寸减小。

1. 转置卷积

2. 为什么称之为“转置”

3. 重新排列输入和核

接下来看一个复杂一点的：

再考虑一个一般情况的例子：

4. 形状换算

在FCN中p=16的原因就是依据k=2p+s，且s=32，k=64。

5. 同反卷积的关系

5. 总结

• 转置卷积是一种变化了输入和核的卷积，来得到上采样的目的
• 不同于数学上的反卷积操作

6. 代码实现

import torch
from torch import nn
from d2l import torch as d2l
1
2
3

6.1 基本操作

让我们暂时忽略通道，从基本的转置卷积开始，设步幅为1且没有填充。 假设我们有一个