Deep learning Caffe棋盘工艺品，如何修复？

我使用的是Caffe，我使用的反褶积层如下：

layer {
  name: "name"
  type: "Deconvolution"
  bottom: "bottom
  top: "top"
  param {
    lr_mult: 0
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    bias_term: false
    pad: 0
    kernel_size: 2
    group: 256
    stride: 2
    weight_filler {
      type: "bilinear"
    }
  }
}

---

当完成培训并验证我的网络时，我会收到奇怪的棋盘艺术品。我找不到任何关于如何在Caffe中修复此问题的信息，因此我在这里询问是否有人对此有解决方案？

此问题不是Caffe特有的，它的发生是因为反褶积。提供了一个非常好的分析和解决方案。有几种简单的方法可以防止此问题：

• 用一个步幅
• 减少在网络中使用反褶积，就像只在最后一层一样
• 在应用反褶积（本文中提到的调整卷积大小）之前，对特征图进行上采样

---

答案很简单：

layer {
  name: "name"
  type: "Deconvolution"
  bottom: "bottom
  top: "top"
  param {
    lr_mult: 0
    decay_mult: 0
  }
  convolution_param {
    num_output: 256
    bias_term: false
    pad: 1
    kernel_size: 4   # <-- changing kernel size fixed the problem.
    group: 256
    stride: 2
    weight_filler {
      type: "bilinear"
    }
  }
}

层{
姓名：“姓名”
类型：“反褶积”
底部：“底部
顶部：“顶部”
param{
lr_mult:0
衰减倍数：0
}
卷积参数{
输出数量：256
偏倚术语：假
pad:1
kernel_size:4#为了通过某些已知因子执行双线性上采样，仅使用双线性权重填充创建反褶积层是不够的。您还需要正确设置步长、填充和内核大小。

如果我们把整个过程想象成绘画，那么内核就是我们的画笔，步幅描述了我们触摸画布的频率。选择太小的内核，步幅太大，输出结果看起来就像我们把颜料的微小斑点分开。太大的内核会导致过度模糊。当内核没有初始化时，会出现棋盘格正确-目前（），caffe包含一个双线性过滤器生成的错误，对于某些大小，它实际上不是双线性的（在PR中建议的修复）

中给出了选择正确尺寸/步幅/填充的公式。
好的，你的第一步在caffe中很容易完成，但是第二步对我来说不可能，第三步在caffe中也不可能，你能帮我完成第三步吗？实际上，使用一步步幅，也不是很容易！！在我的情况下，你会怎么做？@thigi你觉得呢意思是这不是很容易？首先，在你的文章中，他们谈到了重叠，但在我的实现中：stride:2内核大小：2没有重叠。其次，你能给我一个例子，使用stride:1我可以用来替换我的代码（->我认为这是不可能的）对于第三个要点，我的问题是：这在caffe中可能吗？是的，因为我使用了：kernel\u size:2和stride:2，我的问题仍然没有得到回答，因为我认为你的答案只适用于重叠的内核，这对我来说不是。这里的答案是什么？你刚刚更改了
kernel\u size
？你能详细说明一下吗是的，这是答案！这是正确的答案，你还需要什么？@ShaiSee在我的答案之上，你可以找到一个链接@Shai@Shai这一层不会“学习”"我说得对吗？它只是做双线性上采样？如果你的
lr\u mult
和
decation\u mult
为零，权重不会更新。不，不是。我知道你的答案是你如何解决你的特定问题-将比例提高2倍-但我的答案提供了关于这一问题的一般性解释，而不仅仅是一个原始代码片段。是的，这是真的，你想把这两种解决方案结合起来吗？