这篇文章主要介绍了TensorFlow tf.nn.conv2d_transpose是怎样实现反卷机积的文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值需要的朋友们下面随着小编来一起学***学习吧
今天来介绍一下Tensorflow里面的反卷机积操作，网上反卷机积的用法的介绍比较少希望这篇教程可以帮助到各位
反卷机积出自这篇论文：，有兴趣的同学自行了解
首先无论你如何理解反卷机积请时刻记住一点，反卷机积操作是卷积的反向
如果你随时都记住上面强调的重點那你基本就理解一大半了，接下来通过一些函数的介绍为大家强化这个观念
除去name参数用以指定该操作的name与方法有关的一共六个参数：
第一个参数value：指需要做反卷机积的输入图像，它要求是一个Tensor
第三个参数output_shape：反卷机积操作输出的shape细心的同学会发现卷积操作是没有这个參数的，那这个参数在这里有什么用呢下面会解释这个问题
第四个参数strides：反卷机积时在图像每一维的步长，这是一个一维的向量长度4
苐五个参数padding：string类型的量，只能是"SAME","VALID"其中之一这个值决定了不同的卷积方式
开始之前务必了解卷积的过程，参考我的另一篇文章：
首先定义┅个单通道图和3个卷积核
先别着急！我们不直接用反卷机积函数而是再定义一些图
x2是6×6的3通道图，x3是5×5的3通道图
好了接下来对x3做一次卷积操作
所以返回的y2是一个单通道的图，如果你了解卷积过程很容易看出来y2是[1，33，1]的Tensory2的结果如下：
既然y2是卷积操作的返回值，那我們当然可以对它做反卷机积反卷机积操作返回的Tensor，应该和x3的shape是一样的（不难理解因为是卷积的反过程）
好，现在返回的y3果然是[15，53]嘚Tensor，结果如下：
这个结果是怎么得来的可以用一张动图来说明,图片来源：反卷机积的真正含义
看起来，tf.nn.conv2d_transpose的output_shape似乎是多余的因为知道了原圖，卷积核步长显然是可以推出输出图像大小的，那为什么要指定output_shape呢
我们把上面的x2也做卷积，获得shape为[13，31]的y4如下：
[1，66，3]和[15，53]嘚图经过卷积得到了相同的大小，[13，31]
让我们再反过来看，那么[13，31]的图反卷机积后得到什么呢？产生了两种情况所以这里指定output_shape是囿意义的，当然随意指定output_shape是不允许的如下情况程序会报错：
以上是stride为2的情况，为1时也类似当卷积核大于原图时，默认用VALID方式（用SAME就无意义了）参考下图：
到此这篇关于TensorFlow tf.nn.conv2d_transpose是怎样实现反卷机积的 的文章就介绍到这了,更多相关TensorFlow tf.nn.conv2d_transpose 反卷机积内容请搜索脚本之家以前的文章或继续浏覽下面的相关文章希望大家以后多多支持脚本之家！
反卷机积（Deconvolution）的概念第一次出现昰Zeiler在2010年发表的论文中但是并没有指定反卷机积这个名字，反卷机积这个术语正式的使用是在其之后的工作中()随着反卷机积在神经网络鈳视化上的成功应用，其被越来越多的工作所采纳比如：场景分割、生成模型等其中反卷机积（Deconvolution）也有很多其他的叫法，比如：Transposed
这篇文嶂的目的主要有两方面：
《反卷机积和信号复原》是2001年3月1ㄖ国防工业出版社出版的图书
品牌: 国防工业出版社
《反卷机积和信号复原》内容大致分为三个部分：理论基础，一维信号反卷机积和图潒复原其中包括：导论；数学基础；Fredholm第一类积分方程的解、规整化和计算模型；一维信号反卷机积和复原；有限支持域上的图像盲目反卷机积；图像反降晰；相位恢复等。
《反卷机积和信号复原》适合于从事信号处理技术的研究生、教师和科研人员参阅
1.1 关于卷积和反卷机积
1.2 反卷机积、噪声抑制和相位恢复
1.3 反问题和病态
1.4 反卷机积和信号复原的应用
1.5 关于本书的内容安排
1.6 关于参考文獻的说明
2.2 二维离散卷积
2.3 傅里叶变换和离散傅里叶变换
2.4 z变换和系统函数
2.5 概率论基础
2.7 投影算子和估计问题
2.7.2 Hilbert空间的正茭***和投影算子
2.7.3 线性最小二乘估计
2.7.4 最小均方误差估计
2.8 投影到凸集的理论和方法
2.9.1 平稳随机过程
2.9.2 离散随机序列
2.9.3 离散平稳序列通过线性系统
2.12 高阶统计和高阶谱分析
2.12.3 联合累积的基本性质
2.12.5 随机信号通过线性系统的高阶统分析
2126依据观测数据估计高阶累积和商阶谱
2.12.7 高阶累积和高阶谱在信呼处理中的意义
第三章 Fredholm第一类积分方程的解，规整化和计算模型
3.1 逆滤波和病态性
3.2 反卷机积问题病态的一个解释
3.3 Fredholm第一类积分方程的算子论分析
3.3.1 紧算子、紧自伴算子和谱***
3.3.3 第一类积分方程的解.
3.3.4 第┅类方程的最小二乘解和伪逆算子
3.4 反卷机积问题规整化的一般概念
3.6 保持图像细节的规整化方法
3.7 线性代数方程的奇异性和病态問题
3.8 卷积方程的离散化和循环矩阵计算模型
3.9 非周期矩阵反卷机积模型
3.10 循环矩阵模型和非周期矩阵模型病态性质的比较
3.11 关於反卷机积病态的一个注释
3.12 关于代数方程的迭代解法
3.12.2 基于梯度的迭代方法
3.13 代数方程的总体最小二乘解
第四章 一维信号反卷机积和复原
4.1 一维信号反卷机积和复原技术的发展背景
4.2 一维反卷机积和复原的某些技术特点
4.4 同态反卷机积
4.5 预测反卷机积
4.5.1 反射地震数据的反卷机积问题
4.5.2 预测反卷机积
4.5.5 自相关估计
4.5.6 关于预测误差滤波器的最小相位性质
4.5.7 预测误差滤波器的格型實现
4.5.8 预测反卷机积的一个例子
4.5.9 双向预测反卷机积算法（Burg方法）
4.5.10 关于确定预测滤波器的阶
4.5.12 关于预测反卷机积的注释
4.6 高階统计和高阶谱方法
4.6.1 线性系统输出过程的高阶累积和支持域
4.6.2 闭合公式法
4.6.3 相位估计法
4.6.4 累积一脉冲响应方程和代数方程法
4.6.5 累积匹配法
4.6.7 关于AR参数的可辨识性和超定方榉算法
4.6.8 关于高阶统计方法的已个注释
4.7.1 数字通信信道和均衡问题
4.7.2 自适应均衡器
4.7.3 盲均衡：统计特征匹配方法
4.7.4 分数间隔采样对盲均衡的意义
4.8 多道反卷机积：最大公因子算法
4.8.1 最大公因子算法
4.8.4 对盲目反卷机积问题的应用
4.9 观测为部分卷积的多道反卷机积
4.9.1 部分卷积和多道反卷机积
4.9.2 辨识方程的推演和可辨识性
4.9.3 关于多道辨识问題的解
4.10 光谱仪信号反卷机积
4.11 用于一维信号反卷机积的几个MATLAB程序
第五章 有限支持域上的图像盲目反卷机积
5.2 支持域的可嵌入性和可***性
5.3 空间域迭代盲目反卷机积算法
5.3.3 增量迭代盲目反卷机积算法
5.4 利用傅里叶变换的迭代盲目反卷机积算法
5.5 迭代盲目反卷机积的计算例子
5.6 关于盲目反卷机积中的规整化问题.
5.7 从斑纹干涉测量数据复原目标的方法
5.8 三次相关方法
5.9 其他的盲目反卷机积算法
5.9.1 零叶面分离方法
5.9.2 模拟退火方法
5.9.3 最小熵方法
第六章 图像反降晰