deep-learning - 卷积层是否有精确的逆

Question

...如果是这样，在什么情况下？

卷积层通常会产生较小尺寸的输出。是否可以通过翻转/转置使用的内核并提供填充或类似方式来反转/反转这样的操作？

只看这里卷积层的操作——没有池化层、连接、非线性激活函数等。

我不是在寻找反向卷积操作的几个可训练版本中的任何一个。例如，这可以通过输出空间中的步幅 $\geq 1$ 或输入空间中的固有填充来实现。Vincent Dumoulin 和 Francesco Visin 在他们的github 页面上提供了非常清晰的动画 gif 。深度学习社区对这些操作的命名存在分歧：转置卷积、分数步幅卷积和反卷积都被使用（后者虽然被广泛使用，但由于它不是适当的数学反卷积，因此非常具有误导性）。

Answer 1

我相信这就是转置卷积和反卷积之间的区别至关重要的地方。

反卷积是卷积的数学逆运算，而转置卷积仅反转输入和输出之间的空间变换。意思是，如果你想反转关于输出形状的变化，转置卷积可以完成这项工作，但它不会是它产生的值的数学逆。我在一篇文章中就这个话题写了几句话。

Answer 2

那么反卷积定义得非常清楚。在 convo 中，您将地图与输入帧（如矢量 miltiplication）相乘，将其相加并将值分配给输出。
在 deconvo 中，您获取输出值（一），将其与地图相乘，准突出显示影响输出的点并将其添加到前输入层，（当然必须在开始时填充零。这必须给出与前向传递相同的“输入”层。