溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要講解了TensorFlow tf.nn.conv2d_transpose實現反卷積的方法，內容清晰明了，對此有興趣的小伙伴可以學習一下，相信大家閱讀完之后會有幫助。
首先無論你如何理解反卷積，請時刻記住一點，反卷積操作是卷積的反向
如果你隨時都記住上面強調的重點，那你基本就理解一大半了，接下來通過一些函數的介紹為大家強化這個觀念
conv2d_transpose(value, filter, output_shape, strides, padding="SAME", data_format="NHWC", name=None)
除去name參數用以指定該操作的name，與方法有關的一共六個參數：
第一個參數value：指需要做反卷積的輸入圖像，它要求是一個Tensor
第二個參數filter：卷積核，它要求是一個Tensor，具有[filter_height, filter_width, out_channels, in_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，卷積核個數，圖像通道數]
第三個參數output_shape：反卷積操作輸出的shape，細心的同學會發現卷積操作是沒有這個參數的，那這個參數在這里有什么用呢？下面會解釋這個問題
第四個參數strides：反卷積時在圖像每一維的步長，這是一個一維的向量，長度4
第五個參數padding：string類型的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式
第六個參數data_format：string類型的量，'NHWC'和'NCHW'其中之一，這是tensorflow新版本中新加的參數，它說明了value參數的數據格式。'NHWC'指tensorflow標準的數據格式[batch, height, width, in_channels]，'NCHW'指Theano的數據格式,[batch, in_channels，height, width]，當然默認值是'NHWC'
開始之前務必了解卷積的過程，參考我的另一篇文章：https://www.jb51.net/article/177798.htm
首先定義一個單通道圖和3個卷積核
x1 = tf.constant(1.0, shape=[1,3,3,1]) kernel = tf.constant(1.0, shape=[3,3,3,1])
先別著急！我們不直接用反卷積函數，而是再定義一些圖
x2 = tf.constant(1.0, shape=[1,6,6,3]) x3 = tf.constant(1.0, shape=[1,5,5,3])
x2是6×6的3通道圖，x3是5×5的3通道圖
好了，接下來對x3做一次卷積操作
y2 = tf.nn.conv2d(x3, kernel, strides=[1,2,2,1], padding="SAME")
所以返回的y2是一個單通道的圖，如果你了解卷積過程，很容易看出來y2是[1，3，3，1]的Tensor，y2的結果如下：
[[[[ 12.] [ 18.] [ 12.]] [[ 18.] [ 27.] [ 18.]] [[ 12.] [ 18.] [ 12.]]]]
又一個很重要的部分！tf.nn.conv2d中的filter參數，是[filter_height, filter_width, in_channels, out_channels]的形式，而tf.nn.conv2d_transpose中的filter參數，是[filter_height, filter_width, out_channels，in_channels]的形式，注意in_channels和out_channels反過來了！因為兩者互為反向，所以輸入輸出要調換位置
既然y2是卷積操作的返回值，那我們當然可以對它做反卷積，反卷積操作返回的Tensor，應該和x3的shape是一樣的（不難理解，因為是卷積的反過程）
y3 = tf.nn.conv2d_transpose(y2,kernel,output_shape=[1,5,5,3], strides=[1,2,2,1],padding="SAME")
好，現在返回的y3果然是[1，5，5，3]的Tensor，結果如下：
[[[[ 12. 12. 12.] [ 30. 30. 30.] [ 18. 18. 18.] [ 30. 30. 30.] [ 12. 12. 12.]] [[ 30. 30. 30.] [ 75. 75. 75.] [ 45. 45. 45.] [ 75. 75. 75.] [ 30. 30. 30.]] [[ 18. 18. 18.] [ 45. 45. 45.] [ 27. 27. 27.] [ 45. 45. 45.] [ 18. 18. 18.]] [[ 30. 30. 30.] [ 75. 75. 75.] [ 45. 45. 45.] [ 75. 75. 75.] [ 30. 30. 30.]] [[ 12. 12. 12.] [ 30. 30. 30.] [ 18. 18. 18.] [ 30. 30. 30.] [ 12. 12. 12.]]]]
這個結果是怎么得來的？可以用一張動圖來說明,圖片來源：反卷積的真正含義
看起來，tf.nn.conv2d_transpose的output_shape似乎是多余的，因為知道了原圖，卷積核，步長顯然是可以推出輸出圖像大小的，那為什么要指定output_shape呢？
看這樣一種情況：
y4 = tf.nn.conv2d(x2, kernel, strides=[1,2,2,1], padding="SAME")
我們把上面的x2也做卷積，獲得shape為[1，3，3，1]的y4如下：
[[[[ 27.] [ 27.] [ 18.]] [[ 27.] [ 27.] [ 18.]] [[ 18.] [ 18.] [ 12.]]]]
[1，6，6，3]和[1，5，5，3]的圖經過卷積得到了相同的大小，[1，3，3，1]
讓我們再反過來看，那么[1，3，3，1]的圖反卷積后得到什么呢？產生了兩種情況。所以這里指定output_shape是有意義的，當然隨意指定output_shape是不允許的，如下情況程序會報錯：
y5 = tf.nn.conv2d_transpose(x1,kernel,output_shape=[1,10,10,3],strides=[1,2,2,1],padding="SAME")
以上是stride為2的情況，為1時也類似，當卷積核大于原圖時，默認用VALID方式（用SAME就無意義了）參考下圖：
程序清單：
import tensorflow as tf x1 = tf.constant(1.0, shape=[1,3,3,1]) x2 = tf.constant(1.0, shape=[1,6,6,3]) x3 = tf.constant(1.0, shape=[1,5,5,3]) kernel = tf.constant(1.0, shape=[3,3,3,1]) y1 = tf.nn.conv2d_transpose(x1,kernel,output_shape=[1,6,6,3], strides=[1,2,2,1],padding="SAME") y2 = tf.nn.conv2d(x3, kernel, strides=[1,2,2,1], padding="SAME") y3 = tf.nn.conv2d_transpose(y2,kernel,output_shape=[1,5,5,3], strides=[1,2,2,1],padding="SAME") y4 = tf.nn.conv2d(x2, kernel, strides=[1,2,2,1], padding="SAME") ''' Wrong!!This is impossible y5 = tf.nn.conv2d_transpose(x1,kernel,output_shape=[1,10,10,3],strides=[1,2,2,1],padding="SAME") ''' sess = tf.Session() tf.global_variables_initializer().run(session=sess) x1_decov, x3_cov, y2_decov, x2_cov=sess.run([y1,y2,y3,y4]) print(x1_decov.shape) print(x3_cov.shape) print(y2_decov.shape) print(x2_cov.shape)
看完上述內容，是不是對TensorFlow tf.nn.conv2d_transpose實現反卷積的方法有進一步的了解，如果還想學習更多內容，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
