Tensorflow 如何可视化（并理解）转置卷积？

我已经看到了两种从可靠来源可视化转置卷积的方法，就我所知，它们是相互冲突的

我的问题归结为，对于内核的每个应用程序，我们是从多个（例如，

3x3

）元素（带有输入填充）到一个，还是从一个元素到多个（例如，

3x3

）

相关问题：实现哪个版本

我困惑的根源是：

---

有可能是最著名的可视化，但它不是同行评审（Arxiv）

---

第二个来源于，从技术上讲，它也不是同行评审的（Distil），但它来自一个更知名的来源。 （本条中使用了术语反褶积，但声明这与转置conv相同。）

---

---

由于这个问题的性质，很难在网上找到结果，例如，这篇文章占据了第一位，但我不确定我能在多大程度上信任它。

跨步卷积、反卷积、转置卷积都意味着同样的事情。这两篇论文都是正确的，你不必怀疑，因为它们都很重要。但是distil图像是从另一个角度，因为它试图显示伪影问题

第一个可视化是转置卷积，步幅2和填充1。如果是第1步，则输入之间不会有任何填充。边框上的填充取决于输出的维度

通过反褶积，我们通常从一个较小的维度到一个较高的维度。通常对输入数据进行填充，以达到所需的输出维度。我相信这种混淆是由填充模式引起的。看看这个公式

output = [(input-1)stride]+kernel_size-2*padding_of_output

这是对一般卷积输出公式的重新排列。这里的输出是指反褶积操作的输出。为了更好地理解反褶积，我建议从方程的角度来思考，即翻转卷积的作用。它问我如何逆转卷积运算的作用

---

希望有帮助

我想再强调一下Littleone在最后一段中提到的内容：

转置卷积将反转具有相同参数的规则卷积的空间变换。

如果执行常规卷积，然后执行转置卷积，并且两者具有相同的设置（内核大小、填充、步幅），则输入和输出将具有相同的形状。这使得使用它们构建编码器-解码器网络非常容易。我写了一篇关于深度学习中不同类型的卷积的文章，这篇文章也包括在内

---

PS：请不要称之为反卷积，贾斯汀·约翰逊（斯坦福cs231n mooc的一部分）的解释很好：

（20:21开始）

他回顾了Striped conv，然后解释了转置卷积

---

谢谢您的回答。我了解分层动态，但在操作层面我仍然不确定。对于内核的每一个应用程序，输入接收场有多大？跨步卷积不同于转置卷积。此外，转置的conv并不与conv相反，它基本上对应于conv的梯度运算。虽然“反褶积”和“转置卷积”通常以类似的方式使用，但它们确实如此！PS：请不要称之为反褶积。事实上，distil出版物是经过同行评审的，而且过程相当严格。。。