pytorch中 nn.ConvTransposed2d 的使用

前驅知識

卷積與反捲積

符號規定：

卷積過程

• input_size = i
• kernel_size = k
• stride = s
• padding = p
• output_size = o

對應的反捲積過程：

• input_size = i’
• kernel_size = k’
• stride = s’
• padding = p’
• output_size = o’
• a = (i+2p-k)%s，即無法完整卷積的餘數

且有：k’=k, s’=1, i’=o, o’=i

nn.ConvTranspose2d()關鍵參數

• in_channels(int) – 輸入的通道數
• out_channels(int) – 卷積產生的通道數
• kerner_size(int or tuple) - 與此次反捲積對應的卷積的卷積核大小，即 k
• stride(int or tuple,optional) - 與此次反捲積對應的卷積的卷積步長，即 s
• padding(int or tuple, optional) - 與此次反捲積對應的卷積的單側padding大小，即 p
• output_padding(int or tuple, optional) - 輸出邊補充0的層數，即 a

例如，一張 (1, 3, 14, 14)的圖像，使用ConvTranspose2d(3, 1, kernel_size=3, stride=2, padding=1, output_padding=1)進行反捲積：
i’=14,
k=3,
s=2,
p=1,
a=1.
根據反捲積計算規則：
k’=k=3,
s’=1,
p’=k-1-p=1,
因爲s>1，對i’內部填充0，i’’=14+（s-1）(14-1)=27
所以，反捲積之後的輸出尺寸爲：
o’ = (i’’+2p’-k’+a)/s’ + 1 = (27+2*1-3+1)/1 + 1 = 28
輸出尺寸翻倍。