反卷积，上采样，上池化的理解
向AI转型的程序员都关注了这个号👇👇👇
机器学习AI算法工程 公众号：datayx
上采样与上池化
图示理解，使用三张图进行说明：
图（a）表示UnPooling的过程，特点是在Maxpooling的时候保留最大值的位置信息，之后在unPooling阶段使用该信息扩充Feature Map，除最大值位置以外，其余补0。
Unpooling是在CNN中常用的来表示max pooling的逆操作。
鉴于max pooling不可逆，因此使用近似的方式来反转得到max pooling操作之前的原始情况。
简单来说，记住做max pooling的时候的最大item的位置，比如一个3x3的矩阵，max pooling的size为2x2，stride为1，反卷积记住其位置，其余位置至为0就行：
与图（a）相对的是图（b），两者的区别在于UnSampling阶段没有使用MaxPooling时的位置信息，而是直接将内容复制来扩充Feature Map。从图中即可看到两者结果的不同。
简单来说：上采样指的是任何可以让你的图像变成更高分辨率的技术。
最简单的方式是重采样和插值：将输入图片进行rescale到一个想要的尺寸，而且计算每个点的像素点，使用如***双线性插值***等插值方法对其余点进行插值来完成上采样过程。在FCN、U-net等网络结构中，我们见识到了上采样这个东西。
图（c）为反卷积的过程，反卷积是卷积的逆过程，又称作转置卷积。最大的区别在于反卷积过程是有参数要进行学习的（类似卷积过程），理论是反卷积可以实现UnPooling和unSampling，只要卷积核的参数设置的合理。
如下图所示，我们要从一个2x2的矩阵，反推出一个4x4的矩阵
如何进行这样的反卷积操作？
https://blog.csdn.net/jasonleesjtu/article/details/89791528
如何理解深度学习中的deconvolution networks？
https://www.zhihu.com/question/43609045/answer/132235276
可视化的结果：
图（a）是输入层；
图（b）是14*14反卷积的结果；
图（c）是28*28的UnPooling结果；
图（d）是28*28的反卷积结果；
图（e）是56*56的Unpooling结果；
图（f）是56*56反卷积的结果；
图（g）是112*112 UnPooling的结果；
图（h）是112*112的反卷积的结果；
图（i）和图（j）分别是224*224的UnPooling和反卷积的结果。两者各有特点。
附录
反卷积(Deconvolution)、上采样(UNSampling)与上池化(UnPooling)、可视化代码：
https://github.com/heuritech/convnets-keras
https://github.com/kvfrans/feature-visualization
https://github.com/FHainzl/Visualizing_Understanding_CNN_Implementation
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx