转 置 卷 积 不 是 卷 积 的 逆 运 算 转置卷积不是卷积的逆运算 转置卷积不是卷积的逆运算
1.转置卷积（反卷积）：能增大输入的高和宽
nn.Conv2DTranspose
为什么称之为“转置”?(从形状上是逆变换)
●对于卷积Y=X★W,可以对W构造一个V,使得卷积等价于矩阵乘法Y’= VX’(撇代表flatten 拉平操作,这里Y’,X’是Y,X对应的向量版本)。
转置卷积则等价于Y’= vTX’
●如果卷积将输入从(h,w)变成了(h’,w)，同样超参数的转置卷积则从(h’, w’)变成(h, w)
注：填充和步幅的情况省略
ZFNet中的反卷积
如下图：卷积操作是低效操作，主流神经网络框架都是通过im2col+矩阵乘法实现卷积，以空间换效率。
2.ZFNet
使用了解卷积和反池化（无法实现，只能近似）的近似对每一层进行可视化
彩 色 图 是 从 原 始 数 据 集 中 找 出 的 ， 能 够 使 得 特 定 层 的 某 些 卷 积 核 激 活 最 大 的 9 张 图 灰 色 图 是 由 彩 色 图 重 建 得 到 的 可 视 化 结 果 底 层 网 络 ： 边 缘 ， 颜 色 ， 中 层 网 络 ： 形 状 ， 高 层 网 咯 ： 物 体 彩色图是从原始数据集中找出的，能够使得特定层的某些卷积核激活最大的9张图\\ 灰色图是由彩色图重建得到的可视化结果 \\底层网络：边缘，颜色， 中层网络：形状， 高层网咯：物体 彩色图是从原始数据集中找出的，能够使得特定层的某些卷积核激活最大的9张图灰色图是由彩色图重建得到的可视化结果底层网络：边缘，颜色，中层网络：形状，高层网咯：物体
在训练的过程中，随着卷积核的变化（ 不同层重构的变化）
卷积核可视化：
遮挡与识别结果：
狗这一类别不同部位的相似性是否隐式定义(不同部位对网络结果的影响)
去掉某些层数：
迁移学习效果更好：
最 后 重 构 的 图 片 有 k 个 通 道 ， k 为 类 别 的 个 数 ， 即 每 个 像 素 都 有 一 个 类 别 最后重构的图片有k个通道，k为类别的个数，即每个像素都有一个类别 最后重构的图片有k个通道，k为类别的个数，即每个像素都有一个类别