Question

我正在尝试在keras python中设计CNN架构。我想转换（对于我的解码器）从去卷积层5（512个过滤器大小为4x4的过滤器）到下一层（使用deconvolution2D）并转到具有过滤器大小7x7的去卷积层6 128过滤器。我该如何进行反卷积？我尝试的是以下内容：

d6 = Deconvolution2D(128, 5, 5, subsample=(2,2),  activation='relu',init='uniform', output_shape=(None, 128, 7, 7), border_mode='same')(d6)

但是，此操作会导致128个大小为8x8的过滤器。我怎样才能7x7？

我还试图通过选择过滤器大小(8x8)和相同数量的过滤器，使用简单的卷积从(7x7)转到(3x3)：

d6 = Convolution2D(128, 3, 3,   activation='relu', border_mode='same')(d6)

但是，最终的结果是(128,8,8)而不是(128, 7, 7)

Answer 1

在第一种情况下，问题是你使用subsample的偶数（当前是“步幅”）和图像大小的奇数。

使用subsample=(2,2)，您的图像大小必须是图像的一半，因此反向卷积必然会使图像的大小加倍。除非您开始使用8x8或删除subsample，否则您无法在此处执行任何操作。（如果你开始使用内核大小，边框模式和子样本的组合来玩太多，你可能会达到7 x 7，但除了令人困惑的数学之外，它还可能会创建一个不平衡的图像，更多的是左边或更多的右边例如，当图像很小时，这可能会影响结果。

在第二种情况下，结果是相同的，因为您使用的是border_mode='same'。但如果你删除它，你的尺寸将从8x8到6x6。您需要一个（2,2）的过滤器大小才能丢失一个像素。

我建议你搬到Keras 2.

示例：

#but I suggest you remove the strides
d6 = Conv2DTranspose(128, (5,5), strides = (2,2), activation = 'relu', padding='same', kernel_initializer='uniform')

#'valid' is the default value, but I wrote it so you see the new name of "border_mode"
d6 = Conv2D(128,(3,3), activation='relu', padding='valid')(d6)

在keras中解卷积层

1 个答案: