摘要：實(shí)際的反卷積會(huì)使卷積過程恢復(fù)。轉(zhuǎn)置卷積層執(zhí)行常規(guī)卷積，但恢復(fù)其空間變換。轉(zhuǎn)換卷積，沒有填充，步幅為，內(nèi)核為轉(zhuǎn)置卷積不會(huì)這樣做。在神經(jīng)網(wǎng)絡(luò)中，我們通常使用稱為深度可分離卷積的東西。

使用內(nèi)核大小為3，步長(zhǎng)為1和填充的2D卷積

一般卷積

首先，我們需要就定義卷積層的一些參數(shù)達(dá)成一致。

卷積核大?。↘ernel Size）：卷積核定義了卷積的大小范圍，二維卷積核最常見的就是 3*3 的卷積核。

步長(zhǎng)（Stride）：步長(zhǎng)定義了當(dāng)卷積核在圖像上面進(jìn)行卷積操作的時(shí)候，每次卷積跨越的長(zhǎng)度。在默認(rèn)情況下，步長(zhǎng)通常為 1，但我們也可以采用步長(zhǎng)是 2 的下采樣過程，類似于 MaxPooling 操作。

填充（Padding）：卷積層采用一定數(shù)量的輸入通道（I），并且設(shè)計(jì)特定數(shù)量的輸出通道（O）。每一層所需的參數(shù)可以通過 I*O*K 來進(jìn)行計(jì)算，其中 K 等于卷積核的數(shù)量。

輸入和輸出管道（Input & Output Channels）：卷積層采用一定數(shù)量的輸入通道

擴(kuò)張的卷積

使用3內(nèi)核進(jìn)行2D卷積，擴(kuò)展率為2且無填充

擴(kuò)張的卷積為卷積層引入另一個(gè)參數(shù)，稱為擴(kuò)張率。這定義了卷積核中值之間的間距。擴(kuò)張率為2的3x3內(nèi)核與5x5內(nèi)核具有相同的視野，而僅使用9個(gè)參數(shù)。想象一下，獲取一個(gè)5x5內(nèi)核并刪除每一個(gè)第二列和第二行（間隔刪除），就是我們介紹的卷積。

這以相同的計(jì)算成本提供了更寬的視野。擴(kuò)張卷積在實(shí)時(shí)分割領(lǐng)域中特別受歡迎。如果您需要廣泛的視野并且無法承受多個(gè)卷積或更大的核，請(qǐng)使用它們。

轉(zhuǎn)置卷積

（又稱解卷積或分?jǐn)?shù)跨度卷積）

有些消息來源使用名稱deconvolution，這是不合適的，因?yàn)樗皇墙饩矸e。為了使事情更糟，確實(shí)存在解卷積，但它們?cè)谏疃葘W(xué)習(xí)領(lǐng)域并不常見。實(shí)際的反卷積會(huì)使卷積過程恢復(fù)。想象一下，將圖像輸入到單個(gè)卷積層中?，F(xiàn)在取出輸出，將它扔進(jìn)一個(gè)黑盒子里然后再出現(xiàn)原始圖像。這個(gè)黑盒子進(jìn)行反卷積。它是卷積層的數(shù)學(xué)逆。

轉(zhuǎn)置卷積有點(diǎn)類似，因?yàn)樗a(chǎn)生與假設(shè)的反卷積層相同的空間分辨率。但是，對(duì)值執(zhí)行的實(shí)際數(shù)學(xué)運(yùn)算是不同的。轉(zhuǎn)置卷積層執(zhí)行常規(guī)卷積，但恢復(fù)其空間變換。

2D卷積，沒有填充，步幅為2，內(nèi)核為3

此時(shí)你應(yīng)該很困惑，讓我們看一個(gè)具體的例子。將5×5的圖像送入卷積層。步幅設(shè)置為2，填充停用，內(nèi)核為3x3。這導(dǎo)致2x2圖像。

如果我們想要反轉(zhuǎn)這個(gè)過程，我們需要逆數(shù)學(xué)運(yùn)算，以便從我們輸入的每個(gè)像素生成9個(gè)值。然后，我們以2的步幅遍歷輸出圖像。這將是反卷積。

轉(zhuǎn)換2D卷積，沒有填充，步幅為2，內(nèi)核為3

轉(zhuǎn)置卷積不會(huì)這樣做。的共同點(diǎn)是它保證輸出也是5x5圖像，同時(shí)仍然執(zhí)行正常的卷積操作。為此，我們需要在輸入上執(zhí)行一些花哨的填充。

正如您現(xiàn)在可以想象的那樣，此步驟不會(huì)從上面顛倒過程。至少不涉及數(shù)值。

它只是從之前重建空間分辨率并執(zhí)行卷積。這可能不是數(shù)學(xué)逆，但對(duì)于編碼器 - 解碼器架構(gòu)，它仍然非常有用。這樣我們就可以將圖像的升級(jí)與卷積相結(jié)合，而不是進(jìn)行兩個(gè)多帶帶的處理。

可分離的卷積

在可分離的卷積中，我們可以將內(nèi)核操作分成多個(gè)步驟。讓我們將卷積表示為y = conv（x，k），其中y是輸出圖像，x是輸入圖像，k是核。簡(jiǎn)單。接下來，假設(shè)k可以通過以下公式計(jì)算：k = k1.dot（k2）。這將使它成為可分離的卷積，因?yàn)槲覀兛梢酝ㄟ^用k1和k2進(jìn)行2個(gè)1D卷積來得到相同的結(jié)果，而不是用k進(jìn)行2D卷積。

Sobel X和Y濾鏡

以Sobel內(nèi)核為例，它通常用于圖像處理。你可以通過乘以向量[1,0，-1]和[1,2,1] .T得到相同的內(nèi)核。在執(zhí)行相同操作時(shí)，這將需要6個(gè)而不是9個(gè)參數(shù)。上面的例子顯示了所謂的空間可分卷積，據(jù)我所知，它不用于深度學(xué)習(xí)。

編輯：實(shí)際上，通過堆疊1xN和Nx1內(nèi)核層，可以創(chuàng)建與空間可分離卷積非常相似的東西。這最近在一個(gè)名為EffNet的架構(gòu)中使用，顯示了有希望的結(jié)果。

在神經(jīng)網(wǎng)絡(luò)中，我們通常使用稱為深度可分離卷積的東西。這將執(zhí)行空間卷積，同時(shí)保持通道分離，然后進(jìn)行深度卷積。在我看來，通過一個(gè)例子可以較好地理解它。

假設(shè)我們?cè)?6個(gè)輸入通道和32個(gè)輸出通道上有一個(gè)3x3卷積層。詳細(xì)情況是，32個(gè)3x3核遍歷16個(gè)通道中的每個(gè)通道，產(chǎn)生512（16x32）個(gè)特征映射。接下來，我們通過添加它們來合并每個(gè)輸入通道中的1個(gè)特征圖。由于我們可以做32次，我們得到了我們想要的32個(gè)輸出通道。

對(duì)于同一示例中的深度可分離卷積，我們遍歷16個(gè)通道，每個(gè)通道有1個(gè)3x3內(nèi)核，為我們提供了16個(gè)特征映射?，F(xiàn)在，在合并任何東西之前，我們遍歷這16個(gè)特征映射，每個(gè)特征映射有32個(gè)1x1卷積，然后才開始將它們加在一起。這導(dǎo)致656（16x3x3 + 16x32x1x1）參數(shù)與上面的4608（16x32x3x3）參數(shù)相反。

該示例是深度可分離卷積的特定實(shí)現(xiàn)，其中所謂的深度乘數(shù)為1.這是迄今為止這種層的最常見設(shè)置。我們這樣做是因?yàn)榭臻g和深度信息可以解耦的假設(shè)?？匆幌耎ception模型的表現(xiàn)，這個(gè)理論似乎有效。由于其有效使用參數(shù)，深度可分離卷積也用于移動(dòng)設(shè)備。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754