卷积操作、反卷积操作、上采样操作（插值法）

文章结构概述

• 卷积运算(Convolution)

  • 反向卷积(Transposed Convolution)

  • • 填充值设为0，步长设为1

    • 填充值设为n(n≥1)，步长设为1

    • • 半填充(same padding)
      • 完全填充(full padding)

    • 填充值设为0，步长设为m(m≥2)

    • 填充值设为n(n≥1)，步长设为m(m≥2)

    • 最通用的形式

  • 上采样操作(UpSample, Interpolation)

卷积(Convolution)

【卷积的相关内容在笔者先前的blog中已有详述，此处不再赘述。仅提供基于卷积输入计算输出尺寸的公式。

假设输入至卷积层的数据尺寸为(B, C_{in}, i_{H}, i_{W}, i_{D})，其中分别对应Batch size、Input Channel、Input Height、Input Width以及Input Depth。卷积层所采用的卷积核尺寸为(k_{H}, k_{W}, k_{D})，填充参数为(p_{H}, p_{W}, p_{D})，步长参数为(s_{H}, s_{W}, s_{D})。那么输出数据的尺寸可表示为$(B, C_{out}, o_{H}, o_{W}, o_