TensorFlow tf.nn.conv2d_transpose實現(xiàn)反卷積的方法

這篇文章主要講解了TensorFlow tf.nn.conv2d_transpose實現(xiàn)反卷積的方法，內(nèi)容清晰明了，對此有興趣的小伙伴可以學(xué)習(xí)一下，相信大家閱讀完之后會有幫助。

首先無論你如何理解反卷積，請時刻記住一點，反卷積操作是卷積的反向

如果你隨時都記住上面強調(diào)的重點，那你基本就理解一大半了，接下來通過一些函數(shù)的介紹為大家強化這個觀念

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)的一共六個參數(shù)：
第一個參數(shù)value：指需要做反卷積的輸入圖像，它要求是一個Tensor
第二個參數(shù)filter：卷積核，它要求是一個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，卷積核個數(shù)，圖像通道數(shù)]
第三個參數(shù)output_shape：反卷積操作輸出的shape，細心的同學(xué)會發(fā)現(xiàn)卷積操作是沒有這個參數(shù)的，那這個參數(shù)在這里有什么用呢？下面會解釋這個問題
第四個參數(shù)strides：反卷積時在圖像每一維的步長，這是一個一維的向量，長度4
第五個參數(shù)padding：string類型的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式
第六個參數(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標準的數(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]，當然默認值是'NHWC'

開始之前務(wù)必了解卷積的過程，參考我的另一篇文章：https://www.jb51.net/article/177798.htm

首先定義一個單通道圖和3個卷積核

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！因為兩者互為反向，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，因為是卷積的反過程）

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，因為知道了原圖，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，當然隨意指定output_shape是不允許的，如下情況程序會報錯：

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時也類似，當卷積核大于原圖時，默認用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)

看完上述內(nèi)容，是不是對TensorFlow tf.nn.conv2d_transpose實現(xiàn)反卷積的方法有進一步的了解，如果還想學(xué)習(xí)更多內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道。