Tensorflow——反卷积

目标——主要用来进行上采样，使图像形状变大

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

Arg：

value：指需要做反卷积的输入图像，它要求是一个Tensor

filter：卷积核，它要求是一个Tensor，具有[filter_height, filter_width, out_channels, in_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，卷积核个数，图像通道数]

output_shape：反卷积操作输出的shape，细心的同学会发现卷积操作是没有这个参数的，那这个参数在这里有什么用呢？下面会解释这个问题

strides：反卷积时在图像每一维的步长，这是一个一维的向量，长度4

padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式

data_format：string类型的量，'NHWC'和'NCHW'其中之一，这是tensorflow新版本中新加的参数，它说明了value参数的数据格式。'NHWC'指tensorflow标准的数据格式[batch, height, width, in_channels]，'NCHW'指Theano的数据格式,[batch, in_channels，height, width]，当然默认值是'NHWC' 

注意：tf.nn.conv2d中的filter参数，是[filter_height, filter_width, in_channels, out_channels]的形式，而tf.nn.conv2d_transpose中的filter参数，是[filter_height, filter_width, out_channels，in_channels]的形式，注意in_channels和out_channels反过来了！因为两者互为反向，所以输入输出要调换位置

output_shape的作用——不同的图像大小经过相同的卷积操作可能得到相同的图像，反卷积的output_shape就是指定具有这种性子的图片的反卷积后的形状

[1，6，6，3]和[1，5，5，3]的图经过卷积得到了相同的大小，[1，3，3，1]，反卷积的output_shape可以指定为[1，6，6，3]和[1，5，5，3]

实例

#反卷积
import tensorflow as tf
import numpy as np
input=np.array([[[[1],[1],[1]],[[1],[1],[1]],[[1],[1],[1]]]])
print(input.shape)
#input=tf.Variable(input,dtype=tf.float32)
input=tf.constant(input,dtype=tf.float32)
weight=np.array([[[[1],[1],[1]],[[1],[1],[1]],[[1],[1],[1]]]])
weight=tf.Variable(weight,dtype=tf.float32)
weight=tf.constant(value=1,dtype=tf.float32,shape=[3,3,1,1])
#out=tf.nn.conv2d_transpose(input,filters=weight,output_shape=1,strides=[1,2,2,1])
out=tf.nn.conv2d_transpose(input,weight,[1,6,6,1],strides=[1,2,2,1])
print(out)
#init=tf.global_variables_initializer()
with tf.Session() as sess:
    #sess.run(init)
    out,weight=sess.run([out,weight])
    print(out)
    print(weight)
           

输出