theano - keras 中的反卷积二维层

Question

该层尚未准备好记录，我在弄清楚如何使用它时遇到了一些麻烦。
我正在尝试类似的事情:

input_img = Input(shape=(1, h, w))
x = Convolution2D(16, 7, 7, activation='relu', border_mode='valid')(input_img)
d = Deconvolution2D(1, 7, 7, (None, 1, 2*h, 2*w))
x = d(x)

但是当我尝试编写d.output_shape时，我得到了图像的原始形状，而不是两倍的大小(这是我所期望的)。
任何帮助将不胜感激!

Answer 1

简短回答:如果您希望输出真正是输入的两倍，则需要将 subsample=(2,2) 添加到 Devolve2D。

<小时/>

更长的答案:Deconvolution2D 严重没有文档记录，您必须仔细阅读它的代码才能了解如何使用它。

首先，您必须了解反卷积层的工作原理(如果您已经了解所有细节，请跳过此部分)。反卷积，不像它的名字所暗示的那样，只是简单地将标准卷积层的反向传播(梯度计算方法)应用到反卷积层的输入上。反卷积层的“内核大小”实际上是上面提到的反向传播步骤的虚拟卷积层的内核大小。虽然给定了卷积核的大小及其步长，但计算卷积层的输出形状很简单(假设没有填充，则为 (input - kernel)//stride + 1)，但反之则不然。事实上，可能有不止一种可能的输入形状与卷积层的给定输出形状匹配(这是因为整数除法是不可逆的)。这意味着对于反卷积层，输出形状不能简单地从输入形状(隐式已知)、内核大小和步幅直接确定 - 这就是为什么我们在初始化层时需要知道输出形状。当然，由于反卷积层的定义方式，对于某些输入形状，您会在其输出中出现未定义的漏洞，如果我们禁止这些情况，那么我们实际上可以推断出输出形状.

回到 Keras 以及上面的内容是如何实现的。令人困惑的是，output_shape 参数实际上并不用于确定层的输出形状，而是尝试从输入、内核大小和步幅中推断出它，同时假设仅提供有效的 output_shapes(尽管在代码是这样的)。 output_shape 本身仅用作反向传播步骤的输入。因此，您还必须指定步幅参数(Keras 中的子样本)以获得所需的结果(Keras 可以根据给定的输入形状、输出形状和内核大小确定该结果)。