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(shí)刻記住一點(diǎn)，反卷積操作是卷積的反向

如果你隨時(shí)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(gè)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(gè)參數(shù)：
第一個(gè)參數(shù)value：指需要做反卷積的輸入圖像，它要求是一個(gè)Tensor
第二個(gè)參數(shù)filter：卷積核，它要求是一個(gè)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(gè)數(shù)，圖像通道數(shù)]
第三個(gè)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(gè)參數(shù)的，那這個(gè)參數(shù)在這里有什么用呢？下面會解釋這個(gè)問題
第四個(gè)參數(shù)strides：反卷積時(shí)在圖像每一維的步長，這是一個(gè)一維的向量，長度4
第五個(gè)參數(shù)padding：string類型的量，只能是"SAME","VALID"其中之一，這個(gè)值決定了不同的卷積方式
第六個(gè)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(gè)單通道圖和3個(gè)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(gè)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(gè)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(gè)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(bào)錯(cuò)：

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(shí)也類似，當(dāng)卷積核大于原圖時(shí)，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！