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 是一个 3x3 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？详细的解释会非常有用。
【问题讨论】：
标签： deep-learning caffe conv-neural-network deconvolution
详细的解释远远超出了 StackOverflow 的范围；这不是一个教程网站。
一般来说，反卷积更像是一种反向卷积：每个像素都会影响从中提取它的 3x3 区域，应用滤波器的傅里叶变换来对输入参数进行反向工程。它通常用于信号处理中，以减少噪声、锐化特征等。
例如，可视化 x-y 平面中的十几个数据点，或多或少地沿着二次曲线分布。有多种最佳拟合方法可以将 4 次方程（或三次方的滚动组合）映射到给定点。这是一种反卷积。
这里有一些参考资料；我希望他们中的一两个达到您前进所需的水平。
https://en.wikipedia.org/wiki/Deconvolution
https://www.reddit.com/r/MachineLearning/comments/454ksm/tutorial_on_deconvolution/
https://github.com/tensorflow/tensorflow/issues/2169#issuecomment-216607417
【讨论】：
正如@papirrin 所指出的，@Prune 给出的答案有点误导。在 CNN（或完全卷积神经网络，这是首次提出反卷积的地方）中，反卷积并不完全与卷积相反。更准确地说，CNN 中的反卷积只反转形状，而不反转内容。反卷积的名称具有误导性，因为反卷积已经在数学上定义，因此，在下文中，我们将使用转置卷积来表示“CNN中的反卷积”。
要理解转置卷积，在执行卷积操作时，您需要将卷积操作的过滤器转换为矩阵。那么，卷积操作可以定义为Y=WX。然后，在转置卷积中，我们基本上对矩阵进行转置，输出将计算为Y=W^TX。部分示例可以参考https://tinynet.autoai.org/en/latest/induction/convolution.html和https://tinynet.autoai.org/en/latest/induction/convolution-transpose.html。
至于转置卷积中如何得到卷积矩阵，就看你打算怎么用了。对于图像分割，它是在反向传播期间学习的。在一些中间特征图的可视化中（例如ECCV14论文：https://arxiv.org/abs/1311.2901），它直接来源于卷积操作。总之，两种方式都很好。
关于如何计算梯度，和卷积中的完全一样。你也可以解释转置卷积操作，因为它基本上交换了卷积操作的前向和后向过程。
【讨论】：