问题标签 [deconvolution]

我试图理解scipy.signal.deconvolve。

从数学的角度来看，卷积只是傅立叶空间中的乘法，所以我希望对于两个函数f和g：
Deconvolve(Convolve(f,g) , g) == f

在 numpy/scipy 中，要么不是这种情况，要么我错过了重要的一点。尽管已经存在一些与 SO 上的反卷积相关的问题（例如此处和此处），但它们并未解决这一点，但其他问题仍不清楚（此）或未回答（此处）。SignalProcessing SE （ this和this ）上还有两个问题，这些问题的答案对于理解 scipy 的 deconvolve 函数是如何工作的没有帮助。

问题是：

• 假设你知道卷积函数 g，你如何从卷积信号重建原始信号f？
• 或者换句话说：这个伪代码如何Deconvolve(Convolve(f,g) , g) == f转换成 numpy / scipy？

编辑：请注意，这个问题的目标不是防止数字不准确（尽管这也是一个悬而未决的问题），而是理解卷积/反卷积如何在 scipy.

以下代码尝试使用 Heaviside 函数和高斯滤波器来做到这一点。从图中可以看出，卷积的反卷积结果根本不是原来的Heaviside函数。如果有人能对这个问题有所了解，我会很高兴。

编辑：请注意，有一个matlab 示例，展示了如何使用对矩形信号进行卷积/反卷积

本着这个问题的精神，如果有人能够将这个例子翻译成python，那也会有所帮助。

deconv 操作的文档说我们需要提供 output_shape。是否可以不提供形状张量的第一个元素？当我尝试在形状张量中提供 None 时（还请注意，值的形状具有 None 作为第一个元素），我收到一个类似于以下内容的错误：

我是 tensorflow 的深度学习新手，对 tensorflow 中的反卷积（卷积转置）操作很感兴趣。我需要看一下操作反卷积的源代码。我猜这个函数是nn_ops.py 中的 conv2d_transpose()。

但是，在函数中它调用另一个名为gen_nn_ops.conv2d_backprop_input(). 我需要看看这个函数里面有什么，但我无法在存储库中找到它。任何帮助，将不胜感激。

虽然“卷积是频域中的乘法”，但从字面上看，它们似乎也是乘法。例如，如果我将内存中相邻的数字连接到一个列表中：

然后将此结果列表/数字乘以另一个这样的列表，结果是一个列表与另一个列表的卷积。以下 C# 程序演示了这一点：

试试这个代码：rextester.com/YPKFA14408

输出是：

可以在此处找到输出第一行正确的演示：https ://oeis.org/A000292

“整数序列在线百科全书”……“四面体（或三角锥）数”……“自然数与其自身的卷积。——费利克斯·戈德堡”

问：提供的代码中的反卷积函数有什么问题，或者我对结果应该是什么的理解？

我在CrossValidation上就图像解释提出了类似的问题。我将我的详细问题移到此处以包含一些代码详细信息。

我得到的结果并不完全理想所以也许你以前遇到过这个问题，你可以帮我找出来。

它是完全卷积神经网络“没有完全连接的部分”。

培训部分

首先将图像转置以匹配卷积函数。(batch_no,img_channels,宽度,高度)

使用学习率优化学习：3e-6，Hu_uniform 初始化和嵌套 500 个 epoch，直到收敛。

• 培训费用：1.602449
• 训练损失：4.610442
• 验证错误：5.126761
• 测试损失：5.885714

后向部分

加载图像

重塑为一批

使用 Relu 运行模型以在激活后提取第一个特征图

应用 backwork 模型使用唯一激活的神经元重建图像

这里我们有两个图像结果，第一个是没有激活的转置图像，第二个是 relu，因为内核可能有一些负权重。

从转置的卷积图像中可以清楚地看出，该内核学习检测与该图像相关的一些有用特征。但是重建部分在转置卷积期间破坏了图像配色方案。这可能是因为像素值是小的浮点数。你知道这里的问题在哪里吗？

我正在尝试开发一个反卷积层（或者准确地说是转置卷积层）。

在前向传递中，我进行了全卷积（使用零填充的卷积） 在后向传递中，我进行了有效的卷积（没有填充的卷积）以将错误传递到前一层

偏差的梯度很容易计算，只需对多余的维度进行平均即可。

问题是我不知道如何更新卷积滤波器的权重。什么是渐变？我确定这是一个卷积操作，但我不知道如何。我尝试了输入与错误的有效卷积，但无济于事。

使用 iOS 10 的 MetalKit，当我们尝试执行 MPSCNNConvolution 时，输入如下：

内核大小：16x16 输入通道：300 输出通道：250

输入图像尺寸：250x250x300

命令缓冲区的执行需要 10 秒以上，然后退出并显示“命令缓冲区的执行由于执行过程中的错误而中止。导致 GPU 超时错误（IOAF 代码 2）”。如何解决这个问题？

有没有办法加快这个过程？（因为 10 秒对于执行这些高维卷积来说太长了）

在这些卷积的帮助下，我们的目标是执行反卷积，由于还没有 API，我们尝试自己做。是否有任何 API 方法来执行这些反卷积操作？

我正在尝试使用 tf.slim.conv2d 函数应用 2 个卷积层，它们基本上每次都会将我的输入图像的大小减少一半。然后我想应用convolution2d_transpose来恢复我的原始图像形状。问题是我并不完全知道如何使用转置卷积函数，文档也没有太大帮助。

我正在使用自定义包装器，但这是我目前所拥有的：

我现在如何应用卷积转置函数来反转这两层的效果？

我想使用 tf.slim 的卷积转置函数，似乎无论我如何选择我的内核大小和步幅，我都无法使卷积转置层的输出大于初始卷积层的输出。我在这里错过了什么吗？

我正在使用一个卷积层，然后是一个反卷积层，如下所示：

我的想法是使初始图像更小，然后通过反卷积将其恢复到原始大小。我实际上正在使用 tf.slim 函数，但参数是上面的。

当我查看输入和输出时，我有一个小的区别：

我认为这可能是由于我的步幅大小或内核大小。我尝试了多个值，但似乎没有一个可以重现原始尺寸。