欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

TensorFlow tf.nn.conv2d_transpose是怎樣實(shí)現(xiàn)反卷積的

 更新時間:2020年04月20日 11:31:57   作者:xf__mao  
這篇文章主要介紹了TensorFlow tf.nn.conv2d_transpose是怎樣實(shí)現(xiàn)反卷積的,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

今天來介紹一下Tensorflow里面的反卷積操作,網(wǎng)上反卷積的用法的介紹比較少,希望這篇教程可以幫助到各位

反卷積出自這篇論文:Deconvolutional Networks,有興趣的同學(xué)自行了解

首先無論你如何理解反卷積,請時刻記住一點(diǎn),反卷積操作是卷積的反向

如果你隨時都記住上面強(qiáng)調(diào)的重點(diǎn),那你基本就理解一大半了,接下來通過一些函數(shù)的介紹為大家強(qiáng)化這個觀念

conv2d_transpose(value, filter, output_shape, strides, padding="SAME", data_format="NHWC", name=None)

除去name參數(shù)用以指定該操作的name,與方法有關(guān)的一共六個參數(shù):
第一個參數(shù)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(shù)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(shù),圖像通道數(shù)]
第三個參數(shù)output_shape:反卷積操作輸出的shape,細(xì)心的同學(xué)會發(fā)現(xiàn)卷積操作是沒有這個參數(shù)的,那這個參數(shù)在這里有什么用呢?下面會解釋這個問題
第四個參數(shù)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(shù)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(shù)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(shù),它說明了value參數(shù)的數(shù)據(jù)格式。'NHWC'指tensorflow標(biāo)準(zhǔn)的數(shù)據(jù)格式[batch, height, width, in_channels],'NCHW'指Theano的數(shù)據(jù)格式,[batch, in_channels,height, width],當(dāng)然默認(rèn)值是'NHWC'

開始之前務(wù)必了解卷積的過程,參考我的另一篇文章:http://www.dbjr.com.cn/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(shù),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(jié)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(shù),是[filter_height, filter_width, in_channels, out_channels]的形式,而tf.nn.conv2d_transpose中的filter參數(shù),是[filter_height, filter_width, out_channels,in_channels]的形式,注意in_channels和out_channels反過來了!因?yàn)閮烧呋榉聪?,所以輸入輸出要調(diào)換位置

既然y2是卷積操作的返回值,那我們當(dāng)然可以對它做反卷積,反卷積操作返回的Tensor,應(yīng)該和x3的shape是一樣的(不難理解,因?yàn)槭蔷矸e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(xiàn)在返回的y3果然是[1,5,5,3]的Tensor,結(jié)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(jié)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?yàn)橹懒嗽瓐D,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(jīng)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(chǎn)生了兩種情況。所以這里指定output_shape是有意義的,當(dāng)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(dāng)卷積核大于原圖時,默認(rèn)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)

到此這篇關(guān)于TensorFlow tf.nn.conv2d_transpose是怎樣實(shí)現(xiàn)反卷積的 的文章就介紹到這了,更多相關(guān)TensorFlow tf.nn.conv2d_transpose 反卷積內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!

相關(guān)文章

  • 解決jupyter notebook啟動后沒有token的坑

    解決jupyter notebook啟動后沒有token的坑

    這篇文章主要介紹了解決jupyter notebook啟動后沒有token的坑,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2021-04-04
  • python連接mongodb密碼認(rèn)證實(shí)例

    python連接mongodb密碼認(rèn)證實(shí)例

    今天小編就為大家分享一篇python連接mongodb密碼認(rèn)證實(shí)例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2018-10-10
  • python中SSH遠(yuǎn)程登錄設(shè)備的實(shí)現(xiàn)方法

    python中SSH遠(yuǎn)程登錄設(shè)備的實(shí)現(xiàn)方法

    本文主要介紹了python中SSH遠(yuǎn)程登錄設(shè)備,python中支持SSH協(xié)議的模塊主要有Paramiko和netmiko兩種,本文主要介紹了netmiko模塊,具有一定的參考價值,感興趣的可以了解一下
    2022-04-04
  • 最新評論