Keras层（函数）对应于tf.nn.conv2d_transpose

Question

在Keras中，tf.nn.conv2d_transpose中与Tensorflow对应的图层（函数）是什么？我曾经看过我们Just use combinations of UpSampling2D and Convolution2D as appropriate的评论。是吗？

在以下两个例子中，他们都使用这种组合。

1）在Building Autoencoders in Keras中，作者按如下方式构建解码器。

2）在u-uet implementation中，作者按如下方式构建反卷积

up6 = merge([UpSampling2D(size=(2, 2))(conv5), conv4], mode='concat', concat_axis=1)
conv6 = Convolution2D(256, 3, 3, activation='relu', border_mode='same')(up6)
conv6 = Convolution2D(256, 3, 3, activation='relu', border_mode='same')(conv6)

Answer 1

Keras中的相应图层是Deconvolution2D图层。

值得一提的是，你应该非常小心它们，因为它们有时可能会以意想不到的方式表现出来。在您开始使用此图层之前，我强烈建议您阅读this Stack Overflow问题（及其答案）。

<强>更新

1. 反卷积是一个相对最近添加的层 - 也许这就是人们建议你使用Convolution2D * UpSampling2D的原因。
2. 因为它相对较新 - 在某些情况下可能无法正常工作。它还需要一些经验才能正确使用它们。
3. 事实上 - 从数学的角度来看 - 每个反卷积可能会以Convolution2D和UpSampling2D的形式呈现 - 所以也许这就是为什么在你提供的文本中提到它的原因。 / LI>

   更新2：

   确定。我想我找到了一个简单的解释，为什么Deconvolution2D可能以Convolution2D和UpSampling2D的组合形式呈现。我们将使用Deconvolution2D是某个卷积层的渐变的定义。让我们考虑三种最常见的情况：

   1. 最简单的是Convolutional2D没有任何合并。在这种情况下 - 因为它是线性操作 - 它的梯度本身就是一个函数 - 所以Convolution2D。
   2. 更棘手的是Convolution2D和AveragePooling的渐变。所以：(AveragePooling2D * Convolution2D)' = AveragePooling2D' * Convolution2D'。但是AveragePooling2D = UpSample2D * constant的渐变 - 所以在介词为真时也是如此。
   3. 最棘手的是MaxPooling2D。在这种情况下，仍为(MaxPooling2D * Convolution2D)' = MaxPooling2D' * Convolution2D'但MaxPooling2D' != UpSample2D。但在这种情况下，人们可以很容易地找到一个简单的Convolution2D，它会MaxPooling2D' = Convolution2D * UpSample2D（直观地说 - MaxPooling2D的渐变是零矩阵，其对角线上只有一个1。作为{{1}可能表示矩阵运算 - 它也可能表示从单位矩阵到Convolution2D梯度的注入。所以： MaxPooling2D。

   最后一点是证明的所有部分都表明(MaxPooling2D * Convolution2D)' = UpSampling2D * Convolution2D * Convolution2D = UpSampling2D * Convolution2D'是Deconvolution2D和UpSampling2D的组合，而不是相反。可以很容易地证明，Convolution2D和UpSampling2D组合形式的每个功能都可以以Convolution2D和UpSampling2D的组合形式轻松呈现。所以基本上 - 证明已经完成：）