keras中的Deconvolution2D层
Deconvolution2D layer in keras
这一层还没有很好的记录，我在弄清楚如何使用它时遇到了一些麻烦。
我正在尝试类似的东西：
input_img = Input(shape=(1, h, w))
x = Convolution2D(16, 7, 7, activation='relu', border_mode='valid')(input_img)
d = Deconvolution2D(1, 7, 7, (None, 1, 2*h, 2*w))
x = d(x)
但是当我尝试写 d.output_shape 时，我得到了图像的原始形状而不是两倍大小（这是我所期望的）。
任何帮助将不胜感激！
简答：如果您希望输出确实是输入的两倍大，则需要将 subsample=(2,2) 添加到 Deconvolution2D。
更长的答案：Deconvolution2D 严重没有记录，您必须仔细阅读它的代码才能了解如何使用它。
首先，您必须了解反卷积层的工作原理（如果您已经了解所有细节，请跳过此部分）。反卷积，不像它的名字所暗示的那样，只是简单地将标准卷积层的反向传播（梯度计算方法）应用于反卷积层的输入。 deconvolution layer的"kernel size"其实就是上面提到的backprop步骤的virtual convolution layer的kernel size。虽然给定了卷积核的大小及其步幅，但计算卷积层的输出形状很简单（假设没有填充它是 (input - kernel) // stride + 1），但反之则不然。事实上，可以有不止一种可能的输入形状与卷积层的给定输出形状相匹配（这是因为整数除法不可逆）。这意味着对于反卷积层，不能简单地根据输入形状（隐式已知）、内核大小和步幅直接确定输出形状——这就是我们在初始化层时需要知道输出形状的原因。当然，由于反卷积层的定义方式，对于某些输入形状，您会在其输出中出现未定义的空洞，如果我们禁止这些情况，那么我们实际上 可以 推断输出形状。
回到 Keras 以及上面的实现方式。令人困惑的是，output_shape 参数实际上并没有用于确定层的输出形状，而是他们试图从输入、内核大小和步幅中推导出它，同时假设只有有效的 output_shapes提供（虽然它没有在代码中检查是这种情况）。 output_shape 本身仅用作反向传播步骤的输入。因此，您还必须指定步幅参数（Keras 中的子样本）以获得所需的结果（Keras 可以根据给定的输入形状、输出形状和内核大小确定该结果）。
这一层还没有很好的记录，我在弄清楚如何使用它时遇到了一些麻烦。
我正在尝试类似的东西：
input_img = Input(shape=(1, h, w))
x = Convolution2D(16, 7, 7, activation='relu', border_mode='valid')(input_img)
d = Deconvolution2D(1, 7, 7, (None, 1, 2*h, 2*w))
x = d(x)
但是当我尝试写 d.output_shape 时，我得到了图像的原始形状而不是两倍大小（这是我所期望的）。
任何帮助将不胜感激！
简答：如果您希望输出确实是输入的两倍大，则需要将 subsample=(2,2) 添加到 Deconvolution2D。
更长的答案：Deconvolution2D 严重没有记录，您必须仔细阅读它的代码才能了解如何使用它。
首先，您必须了解反卷积层的工作原理（如果您已经了解所有细节，请跳过此部分）。反卷积，不像它的名字所暗示的那样，只是简单地将标准卷积层的反向传播（梯度计算方法）应用于反卷积层的输入。 deconvolution layer的"kernel size"其实就是上面提到的backprop步骤的virtual convolution layer的kernel size。虽然给定了卷积核的大小及其步幅，但计算卷积层的输出形状很简单（假设没有填充它是 (input - kernel) // stride + 1），但反之则不然。事实上，可以有不止一种可能的输入形状与卷积层的给定输出形状相匹配（这是因为整数除法不可逆）。这意味着对于反卷积层，不能简单地根据输入形状（隐式已知）、内核大小和步幅直接确定输出形状——这就是我们在初始化层时需要知道输出形状的原因。当然，由于反卷积层的定义方式，对于某些输入形状，您会在其输出中出现未定义的空洞，如果我们禁止这些情况，那么我们实际上 可以 推断输出形状。
回到 Keras 以及上面的实现方式。令人困惑的是，output_shape 参数实际上并没有用于确定层的输出形状，而是他们试图从输入、内核大小和步幅中推导出它，同时假设只有有效的 output_shapes提供（虽然它没有在代码中检查是这种情况）。 output_shape 本身仅用作反向传播步骤的输入。因此，您还必须指定步幅参数（Keras 中的子样本）以获得所需的结果（Keras 可以根据给定的输入形状、输出形状和内核大小确定该结果）。