反卷积解释
首先,反卷积is一个卷积层,仅用于不同的目的,即上采样(为什么它有用的解释在这张纸 http://arxiv.org/abs/1411.4038).
例如,这里有一个2x2
输入图像(蓝色底部图像)被上采样为4x4
(上图为绿色):
为了使其成为有效的卷积,首先对输入进行填充以使其6x6
, 之后3x3
无需跨步即可应用过滤器。就像普通的卷积层一样,你可以选择不同的填充/跨步策略 https://github.com/vdumoulin/conv_arithmetic生成您想要的图像尺寸。
向后传球
现在应该清楚,反卷积的反向传递是卷积层反向传递的部分情况,具有特定的步长和填充。我认为您已经完成了,但是这里有一个针对任何步幅和填充的幼稚(而且不是很有效)的实现:
# input: x, w, b, stride, pad, d_out
# output: dx, dw, db <- gradients with respect to x, w, and b
N, C, H, W = x.shape
F, C, HH, WW = w.shape
N, C, H_out, W_out = d_out.shape
x_pad = np.pad(x, pad_width=((0, 0), (0, 0), (pad, pad), (pad, pad)), mode='constant', constant_values=0)
db = np.sum(d_out, axis=(0, 2, 3))
dw = np.zeros_like(w)
dx = np.zeros_like(x_pad)
for n in xrange(N):
for f in xrange(F):
filter_w = w[f, :, :, :]
for out_i, i in enumerate(xrange(0, H, stride)):
for out_j, j in enumerate(xrange(0, W, stride)):
dw[f, :, :, :] += d_out[n, f , out_i, out_j] * x_pad[n, :, i:i+HH, j:j+WW]
dx[n, :, i:i+HH, j:j+WW] += filter_w * d_out[n, f, out_i, out_j]
dx = dx[:,:,1:H+1,1:W+1]
使用同样的方法可以更有效地完成im2col
and col2im
,但这只是一个实现细节。另一个有趣的事实:卷积运算(对于数据和权重)的向后传递又是一个卷积,但具有空间翻转的滤波器。
下面是它的应用方式(简单的 SGD):
# backward_msg is the message from the next layer, usually ReLu
# conv_cache holds (x, w, b, conv_params), i.e. the info from the forward pass
backward_msg, dW, db = conv_backward(backward_msg, conv_cache)
w = w - learning_rate * dW
b = b - learning_rate * db
正如您所看到的,它非常简单,只需要了解您正在应用相同的旧卷积。