Tensorflow的反卷積（上採樣）

關於反卷積的簡單例子，可以參照我的另外一篇文章：

http://blog.csdn.net/guvcolie/article/details/77529683

文章出處：http://blog.csdn.net/mao_xiao_feng/article/details/71713358

反卷積操作是卷積的反向

如果你隨時都記住上面強調的重點，那你基本就理解一大半了，接下來通過一些函數的介紹為大家強化這個觀念

conv2d_transpose(value, filter, output_shape, strides, padding="SAME", data_format="NHWC", name=None)

除去name參數用以指定該操作的name，與方法有關的一共六個參數：第一個參數value：指需要做反卷積的輸入映像，它要求是一個Tensor第二個參數filter：卷積核，它要求是一個Tensor，具有[filter_height, filter_width, out_channels, in_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，卷積核個數，映像通道數]第三個參數output_shape：反卷積操作輸出的shape，細心的同學會發現卷積操作是沒有這個參數的，那這個參數在這裡有什麼用呢。下面會解釋這個問題第四個參數strides：反卷積時在映像每一維的步長，這是一個一維的向量，長度4第五個參數padding：string類型的量，只能是"SAME","VALID"其中之一，這個值決定了不同的卷積方式第六個參數data_format：string類型的量，'NHWC'和'NCHW'其中之一，這是tensorflow新版本中新加的參數，它說明了value參數的資料格式。'NHWC'指tensorflow標準的資料格式[batch, height, width, in_channels]，'NCHW'指Theano的資料格式,[batch, in_channels，height, width]，當然預設值是'NHWC'開始之前務必瞭解卷積的過程，參考我的另一篇文章：http://blog.csdn.net/mao_xiao_feng/article/details/53444333首先定義一個單通道圖和3個卷積核

[python] view plain copy x1 = tf.constant(1.0, shape=[1,3,3,1])   kernel = tf.constant(1.0, shape=[3,3,3,1])   先別著急。我們不直接用反卷積函數，而是再定義一些圖

[python] view plain copy x2 = tf.constant(1.0, shape=[1,6,6,3])   x3 = tf.constant(1.0, shape=[1,5,5,3])   x2是6×6的3通道圖，x3是5×5的3通道圖 好了，接下來對x3做一次卷積操作

[python] view plain copy y2 = tf.nn.conv2d(x3, kernel, strides=[1,2,2,1], padding="SAME")   所以返回的y2是一個單通道的圖，如果你瞭解卷積過程，很容易看出來y2是[1，3，3，1]的Tensor，y2的結果如下：

[python] view plain copy [[[[ 12.]      [ 18.]      [ 12.]]        [[ 18.]      [ 27.]      [ 18.]]        [[ 12.]      [ 18.]      [ 12.]]]]  

又一個很重要的部分。tf.nn.conv2d中的filter參數，是[filter_height, filter_width, in_channels, out_channels]的形式，而tf.nn.conv2d_transpose中的filter參數，是[filter_height, filter_width, out_channels，in_channels]的形式，注意in_channels和out_channels反過來了。因為兩者互為反向，所以輸入輸出要調換位置

既然y2是卷積操作的傳回值，那我們當然可以對它做反卷積，反卷積操作返回的Tensor，應該和x3的shape是一樣的（不難理解，因為是卷積的反過程）

[python] view plain copy y3 = tf.nn.conv2d_transpose(y2,kernel,output_shape=[1,5,5,3], strides=[1,2,2,1],padding="SAME")   好，現在返回的y3果然是[1，5，5，3]的Tensor，結果如下：

[python] view plain copy [[[[ 12.  12.  12.]      [ 30.  30.  30.]      [ 18.  18.  18.]      [ 30.