如何将CNN中的卷积和反卷积操作改写为长尾？

本文共计1494个文字，预计阅读时间需要6分钟。

原文链接：https://blog.csdn.net/sinat_29957455/article/details/85558870：前言：积累和反卷积在CNN中经常被用到

前言：想彻底搞懂积累和反卷积在CNN中的应用

原文链接blog.csdn.net/sinat_29957455/article/details/85558870

前言

卷积和反卷积在CNN中经常被用到想要彻底搞懂并不是那么容易。本文主要分三个部分来讲解卷积和反卷积分别包括概念、工作过程、代码示例其中代码实践部分主结合TensorFlow框架来进行实践。给大家介绍一个卷积过程的可视化工具这个项目是github上面的一个开源项目。

卷积和反卷积

卷积(Convolutional)卷积在图像处理领域被广泛的应用像滤波、边缘检测、图片锐化等都是通过不同的卷积核来实现的。在卷积神经网络中通过卷积操作可以提取图片中的特征低层的卷积层可以提取到图片的一些边缘、线条、角等特征高层的卷积能够从低层的卷积层中学到更复杂的特征从而实现到图片的分类和识别。 反卷积反卷积也被称为转置卷积反卷积其实就是卷积的逆过程。大家可能对于反卷积的认识有一个误区以为通过反卷积就可以获取到经过卷积之前的图片实际上通过反卷积操作并不能还原出卷积之前的图片只能还原出卷积之前图片的尺寸。那么到底反卷积有什么作用呢通过反卷积可以用来可视化卷积的过程反卷积在GAN等领域中有着大量的应用。

工作过程

卷积

上图展示了一个卷积的过程其中蓝色的图片(4*4)表示的是进行卷积的图片阴影的图片(3*3)表示的是卷积核绿色的图片(2*2)表示是进行卷积计算之后的图片。在卷积操作中有几个比较重要的参数输入图片的尺寸、步长、卷积核的大小、输出图片的尺寸、填充大小。