Deep learning 反褶积（向后卷积）是什么意思？

卷积神经网络中的反卷积或向后卷积是什么意思

我理解卷积，如果我们考虑一个3x3窗口W和一个相同大小的核K，卷积W*K的结果将是一个值。这里k是一个包含3x3个元素的矩阵

---

据我所知，反褶积法试图对特征地图进行上采样，以获得更大的地图。它是否使用相同的卷积矩阵来获得特征图？如果没有，如何计算反向传播的梯度？详细的解释将非常有用。

详细的解释远远超出StackOverflow的范围；这不是一个教程网站

一般来说，反褶积更像是一种反向卷积：每个像素影响提取它的3x3区域，应用滤波器的傅里叶变换对输入参数进行反向工程。它通常用于信号处理，以降低噪声、锐化特征等

例如，将x-y平面上的十几个数据点可视化，大致沿二次曲线分布。有多种最佳拟合方法可以将四次方程（或立方体的滚动组合）映射到给定的点。这是一种反褶积

这里有一些参考资料；我希望其中一两个达到你需要的水平

---

正如@papirrin所指出的，@Prune给出的答案有点误导。在CNNs（或完全卷积神经网络，这是首次提出反卷积的地方）中，反卷积并不完全是卷积的反面。更准确地说，CNN中的反褶积只会反转形状，而不会反转内容。反褶积的名称具有误导性，因为反褶积已在数学上定义，因此，在下文中，我们将使用转置卷积来表示“CNN中的反褶积”

为了理解转置卷积，在执行卷积运算时，需要将卷积运算的滤波器转换为矩阵。然后，卷积运算可以定义为

Y=WX

。然后，在转置卷积中，我们基本上转置矩阵，输出将被计算为

Y=W^TX

。有关一些示例，您可以参考和

至于如何得到转置卷积中的卷积矩阵，这取决于如何使用它。对于图像分割，它是在反向传播过程中学习的。在一些中间特征图的可视化中（例如，ECCV14论文：），它直接来自卷积运算。总之，这两种方法都很好

---

对于如何计算梯度，它与卷积完全相同。您还可以解释转置卷积运算，因为它基本上交换了卷积运算的前向和后向过程。

我想添加一个我发现对理解反卷积（也称为转置卷积）非常有用的资源。在本文的第四部分“深度学习卷积算法指南”中，Dumoulin以非常直观的方式解释了什么是转置卷积。这个答案是错误的，误导性的。神经网络中的“反褶积”是一个糟糕的名称选择，与实际的反褶积无关。这里有更多信息。