TensorFlow演示反卷积的操作

一反卷积函数介绍

1 语法格式

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

2 参数说明

value：代表通过卷积操作之后的张量，一般为NHWC类型。

filter：代表卷积核。

output_shape：代表输出的张量形状也是个四维张量。

strides：代表步长。

padding：代表原数据生成value时使用的补0的方式，是用来检查输入形状和输出形状是否合规的。

3 返回值

反卷积后的结果，按照output_shape指定的形状。

注意：NHWC类型是神经网络中处理图像方面常用的类型，4个字母分别代表4个意思，即N——个数、H——高、W——宽、C——通道数。也就是我们常见的四维张量。

二实战

1 实例描述

通过对模拟数据进行卷积操作和反卷积操作，来比较卷积与反卷积中padding在SAME、VALID下的变化。

2 代码

import tensorflow as tf
'''
模拟数据
'''
img = tf.Variable(tf.constant(1.0,shape = [1, 4, 4, 1]))
filter =  tf.Variable(tf.constant([1.0,0,-1,-2],shape = [2, 2, 1, 1]))
'''
分别进行VALID与SAME操作
'''
conv = tf.nn.conv2d(img, filter, strides=[1, 2, 2, 1], padding='VALID')  
cons = tf.nn.conv2d(img, filter, strides=[1, 2, 2, 1], padding='SAME')
print(conv.shape)
print(cons.shape)
'''
再进行反卷积
'''
contv= tf.nn.conv2d_transpose(conv, filter, [1,4,4,1],strides=[1, 2, 2, 1], padding='VALID')
conts = tf.nn.conv2d_transpose(cons, filter, [1,4,4,1],strides=[1, 2, 2, 1], padding='SAME')
with tf.Session() as sess:  
    sess.run(tf.global_variables_initializer() )  
    print("conv:\n",sess.run([conv,filter]))
    print("cons:\n",sess.run([cons]))    
    print("contv:\n",sess.run([contv]))
    print("conts:\n",sess.run([conts]))

3 运行结果

(1, 2, 2, 1)

conv:

[array([[[[-2.],

[-2.]],

[[-2.],

[-2.]]]], dtype=float32), array([[[[ 1.]],

[[ 0.]]],

[[[-1.]],

[[-2.]]]], dtype=float32)]

cons:

[array([[[[-2.],

[-2.]],

[[-2.],

[-2.]]]], dtype=float32)]

contv:

[array([[[[-2.],

[ 0.],

[-2.],

[ 0.]],

[[ 2.],

[ 4.],

[ 2.],

[ 4.]],

[[-2.],

[ 0.],

[-2.],

[ 0.]],

[[ 2.],

[ 4.],

[ 2.],

[ 4.]]]], dtype=float32)]

conts:

[array([[[[-2.],

[ 0.],

[-2.],

[ 0.]],

[[ 2.],

[ 4.],

[ 2.],

[ 4.]],

[[-2.],

[ 0.],

[-2.],

[ 0.]],

[[ 2.],

[ 4.],

[ 2.],

[ 4.]]]], dtype=float32)]

4 运行说明

为了便于观察，先整理一下结果

conv:

[array([[[[-2.], [-2.]],

[[-2.], [-2.]]]], dtype=float32),

array([[[[ 1.]], [[ 0.]]],

[[[-1.]], [[-2.]]]], dtype=float32)]

cons:

[array([[[[-2.], [-2.]],

[[-2.], [-2.]]]], dtype=float32)]

contv:

[array([[[[-2.], [ 0.], [-2.], [ 0.]],

[[ 2.], [ 4.], [ 2.], [ 4.]],

[[-2.], [ 0.], [-2.], [ 0.]],

[[ 2.], [ 4.], [ 2.], [ 4.]]]], dtype=float32)]

conts:

[array([[[[-2.], [ 0.], [-2.], [ 0.]],

[[ 2.], [ 4.], [ 2.], [ 4.]],

[[-2.], [ 0.], [-2.], [ 0.]],

[[ 2.], [ 4.], [ 2.], [ 4.]]]], dtype=float32)]

先定义一个[1,4,4,1]的矩阵，矩阵里的值全为1，进行filter为2*2、步长为2*2的卷积操作，分别使用padding为SAME和VALID的两种情况生成卷积数据，然后将结果放到conv2d_transpose里，再次使用padding为SAME和VALID的两种情况生成数据。

可以看出输出的结果与上图是一样的，并且也验证了当padding为SAME并且不需要补0时，卷积和反卷积对于padding是SAME和VALID都是相同的。

TensorFlow演示反卷积的操作

猜你喜欢