深度学习-李沐-第十三节-转置卷积
转置卷积
在空间维度被卷积神经网络层缩小后,可以使用转置卷积用于逆转下采样导致的空间尺寸减小。
基本操作
填充、步幅和多通道
与矩阵变换的联系
小结
与通过卷积核减少输入元素的常规卷积相反,转置卷积通过卷积核广播输入元素,从而产生形状大于输入的输出。
我们可以使用矩阵乘法来实现卷积。转置卷积层能够交换卷积层的正向传播函数和反向传播函数。
在空间维度被卷积神经网络层缩小后,可以使用转置卷积用于逆转下采样导致的空间尺寸减小。
与通过卷积核减少输入元素的常规卷积相反,转置卷积通过卷积核广播输入元素,从而产生形状大于输入的输出。
我们可以使用矩阵乘法来实现卷积。转置卷积层能够交换卷积层的正向传播函数和反向传播函数。