深度学习原理与框架- tf.nn.conv2d_transpose(反卷积操作)

反卷积操作：

首先对需要进行维度扩张的feature_map 进行补零操作，然后使用3*3的卷积核，进行卷积操作，使得其维度进行扩张，图中可以看出，2*2的feature经过卷积变成了4*4.    3*3的卷积经过扩张以后形成了5*5

                        

      feature_map为偶数                                              feature_map为偶数

 代码：主函数

  with tf.variable_scope('deconv1'):
       # [4, 4, 128, 256]卷积核的大小，4和4表示卷积核的长度，128表示卷积核的个数，256表示卷积核的通道数， [self.batch_size, 64, 64, 128]表示输出层的维度， 2表示1/2的步长
       x = deconv_layer(x, [4, 4, 128, 256], [self.batch_size, 64, 64, 128], 2)
       x = batch_normalize(x, is_training)
       x = tf.nn.relu(x)

调用函数deconv_layer, 个人理解，这里stride的大小，表示的不是补零后卷积核的步长，而是对原始feature的补零的倍数，即扩张的大小

def deconv_layer(x, filter_shape, output_shape, stride):
    # 构造卷积
    filters = tf.get_variable(
        name = 'weight',
        shape=filter_shape,
        dtype=tf.float32,
        initializer=tf.truncated_normal_initializer(stddev=0.1),
        trainable=True
    )
    return tf.nn.conv2d_transpose(x, filters, output_shape, [1, stride, stride, 1])