DeepLearing—CV系列（二十三）——一维卷积或GRU处理电信号、一维卷积、转置卷积的详解

DeepLearing—CV系列（⼆⼗三）——⼀维卷积或GRU处理电信号、⼀维卷

吉祥满族网积、转置卷积的详解

ANNALS

⽂章⽬录

⼀、⼀维卷积

蓝血人作品1.1 介绍

瑞安市博业激光应用技术有限公司

⼀维卷积常⽤于序列模型，信号处理、⾃然语⾔处理领域。

1.2 类别

⼀维卷积通常有三种类型**：full卷积、same卷积和valid卷积**

比重单位

1.2.1 ⼀维Full卷积

Full卷积的计算过程是：K沿着I顺序移动，每移动到⼀个固定位置，对应位置的值相乘再求和，计算过程如下：

将得到的值依次存⼊⼀维张量Cfull，该张量就是I和卷积核K的full卷积结果，其中K卷积核或者滤波器或者卷积掩码，卷积符号⽤符号★表⽰，记Cfull=I★K

1.2.2 ⼀维Same卷积

卷积核K都有⼀个锚点，然后将锚点顺序移动到张量I的每⼀个位置处，对应位置相乘再求和，计算过程如下：

假设卷积核的长度为FL，如果FL为奇数，锚点位置在(FL-1)/2处；如果FL为偶数，锚点位置在(FL-2)/2处。

1.2.3 ⼀维Valid卷积

从full卷积的计算过程可知，如果K靠近I，就会有部分延伸到I之外，valid卷积只考虑I能完全覆盖K的情况，即K在I的内部移动的情况，计算过程如下：

球

1.3 具备深度的⼀维卷积

⽐如x是⼀个长度为3，深度为3的张量，其same卷积过程如下，卷积核K的锚点在张量x范围内依次移动，输⼊张量的深度和卷积核的深度是相等的。

1.4 具备深度的张量与多个卷积核的卷积

上⾯介绍了⼀个张量和⼀个卷积核进⾏卷积。他们的深度相等才能进⾏卷积，下⾯介绍⼀个张量与多个卷积核的卷积。同⼀个张量与多个卷积核的卷积本质上是该张量分别与每⼀个卷积核卷积，然后将每⼀个卷积结果在深度⽅向上连接起来。

举例：以长度为3、深度为3的输⼊张量与2个长度为2、深度为3的卷积核卷积为例，过程如下：

⼆、转置卷积

2.1 定义

之所以叫转置卷积是因为，它其实是把我们平时所⽤普通卷积操作中的卷积核做⼀个转置，然后把普通卷积的输出作为转置卷积的输⼊。⽽转置卷积的输出，就是普通卷积的输⼊。

卷积操作的本质其实就是在input矩阵和kernel矩阵之间做逐元素(element-wise)的乘法然后求和。

根据反卷积的数学含义，通过反卷积可以将通过卷积的输出信号，完全还原输⼊信号。转置卷积只能还原shape⼤⼩，⽽不能还原

value（愿意：神经⽹络是基于概率；反向传播损失不会等于0，只能与真实值接近）。所以说转置卷积与真正的反卷积有点相似，因为两者产⽣了相同的空间分辨率。

转置卷积的过程中图像上采样，越来越⼤，通道越来越浅。需要注意的是，转置前后padding，stride仍然是卷积过程指定的数值，不会改变。

转置卷积⼀般会放⼤图像，也称为上采样过程，⽽卷积⼀般是缩⼩图像，也称为下采样过程。

2.2 过程

本文发布于:2024-09-22 04:29:56，感谢您对本站的认可！

标签：卷积过程转置深度位置计算锚点不会

留言与评论（共有 0 条评论）