问题标签 [deconvolution]

我正在尝试将 Deconvolution 层与完全连接的层连接以用于处理 conlutional 层，但是当我在 concat Deconv Layer 与 FC 层之后进行重塑时，我的批量大小发生了变化，这就是我所做的过程：

在终端我有这个输出：

当我重塑我的批量大小更改时，他们知道如何在不改变批量大小的情况下重塑？

谢谢

我正在尝试堆叠 2 层以tf.nn.conv2d_transpose()对张量进行上采样。它在前馈期间工作正常，但在反向传播期间出现错误： ValueError: Incompatible shapes for broadcasting: (8, 256, 256, 24) and (8, 100, 100, 24).

基本上，我只是将第一个的输出设置conv2d_transpose为第二个的输入：

只使用一个conv2d_transpose，一切正常。仅当多个conv2d_transpose堆叠在一起时才会发生错误。

我不确定实现多层conv2d_transpose. 任何有关如何解决此问题的建议将不胜感激。

这是一个复制错误的小代码：

我一直在尝试找出 conv2d_transpose 以反转 Tensorflow 中的卷积。我的理解是，在应用正常卷积然后转置之后，“反卷积”应该包含与“噪声”相同的数据，但“反卷积”只包含一些完全不同的图像。我的代码有问题，还是理论不正确？

我有一个包含 N 行时间序列数据的矩阵。我有一些关于数据的特定噪声污染测量。

数据中的噪声可以建模为泊松分布，它将信号从矩阵中的给定列模糊到相邻列。例如，如果原始数据应该是一个没有信号包围的单峰：

测量的信号分布略微不对称，导致如下所示：

如果我有一个关于噪声如何在列之间分布数据的良好模型，我如何使用这些信息将矩阵反卷积为原始信号的近似值？

卷积神经网络中的反卷积或反向卷积是什么意思？

我理解卷积，如果我们考虑一个 3x3 窗口 W 和一个相同大小的内核 k，那么卷积 W*K 的结果将是一个值。这里 k 是具有 3x3 个元素的矩阵。

在我的理解中，反卷积试图对特征图进行上采样以获得更大的图。它是否使用与获取特征图相同的卷积矩阵？如果不是如何计算反向传播的梯度？详细的解释将非常有用。

该层尚未准备好记录得很好，我在弄清楚如何使用它时遇到了一些麻烦。
我正在尝试类似的东西：

但是当我尝试写作时d.output_shape，我得到了图像的原始形状，而不是两倍大小（这是我所期望的）。
任何帮助将不胜感激！

在阅读了一些关于 caffe 中的反卷积之后，我对 FCN 的 train.prototx here感到困惑。反卷积层的默认权重填充是“常量”，默认值为零。根据 caffe 中的反卷积操作，在输入乘以零时，并非所有输出都为零。

我想模仿这篇论文，他们使用完全连接的上采样层。我正在使用贡献conv3d_transpose，但概念应该与 2D 版本相同。

我有一个卷积层的输出[6,6,6,256]被馈送到应该输出的上采样层[13,13,13,128]。既然层应该是全连接的，那么过滤器应该是对的[13,13,13,128]吧？（减少特征图大小）

此外，步幅应该1正确吗？

也许我在想这个倒退，让我解释一下。过滤器定义了反向感受野的大小（完全由它组成）——位于输出层的权重矩阵的大小（因此是完整的[13,13,13,128]）。EDIT INCORRECT [步幅是单个窗口在输入图像上移动的步幅长度。] --> 我现在明白，步幅也与输出层有关。例如，步长为 2 的过滤器大小为 2，将使输出维度加倍。这意味着对于一个完全连接的层，步幅应该是0，但这是不可能的......

我的上采样代码在这里：

该deconv函数如下所示：

权重和偏差在这里：

通过调试，我可以验证输入和输出尺寸：

当我运行此代码时，我收到以下错误：

我从第一Node行就假设问题deconv6出在deconv8.

我正在尝试使用 caffe 为图像实现分割网。对于每个具有维度的图像3x256x256，我都有一个256x256真实图像。
当我启动火车时，我收到了这个错误：

我究竟做错了什么？我应该如何解决这个问题？这是我的标签方法有问题吗？谢谢

我正在实现以下用 Caffe 编写的着色模型。我对在 Keras 中提供的 output_shape 参数感到困惑

我添加了一个虚拟 output_shape 参数。但是如何确定输出参数？在 caffe 模型中，层定义为：

如果我不提供此参数，代码会给出参数错误，但我不明白我应该提供什么作为 output_shape

ps 已经在数据科学论坛页面上询问过，但没有任何回应。可能是因为用户基数小