在张量流中连接具有不同步幅的卷积答案

【问题标题】：concatenating convolutions with different strides in tensorflow在张量流中连接具有不同步幅的卷积
【发布时间】：2017-10-04 16:51:45
【问题描述】：

我正在尝试使用 tensoflow 从研究论文中复制 CNN。这里是CNN的整体架构，但我主要关注Reduction A部分。

我想知道我是否发现了研究论文的问题。正如您在归约 A 中所见，连接了 3 层。但是，其中 2 层使用 2 的步幅。因此，当沿第 4 轴（通道数）连接张量时，最右边的层与其他 2 层的深度、宽度和高度不同。我知道我可以使用填充来解决这个问题，但论文中没有提到这一点。 您认为这篇研究论文有误吗？最右边的减少路径 A 是否也应该使用 2 的步幅？

【问题讨论】：

标签： tensorflow concatenation conv-neural-network convolution

【解决方案1】：

考虑到所有其他归约和 inception 都有相匹配的步幅，这篇论文似乎犯了一个错误。我想 3x3(384) 卷积的步幅应该是 2，因为这个卷积会增加通道大小。

【讨论】：

谢谢！如果你有时间，你介意解释一下反卷积旁边的“2x”、“4x”、“8x”和“16x”代表什么
@DevinHaslam 这些数字对应于输入分辨率 (MxN) 和由于步幅导致的相应块后降低的分辨率之间的分辨率差异。但是，我无法仅从这些图片中分辨出这些反卷积的外观，但这些数字等于必须通过反卷积“恢复”的分辨率量。
所以当我执行 2x 反卷积时，我从 (?, 16, 16, 4, 192) 形状的张量开始；这代表（批次、宽度、深度、高度、通道）。但是，我仍然需要找出一个 5d 过滤器（深度、宽度、高度、输入通道、输出通道）和一个 1d 输出形状。研究论文没有提到任何这些价值观。是否知道反卷积是“2x”足够的信息来推导滤波器和输出形状？再次感谢，非常感谢您的帮助。
@DevinHaslam 图片中没有足够的信息来告诉反卷积滤波器大小或输出通道数量。
我已经研究这个问题很长一段时间了。我并不真正了解转置反卷积背后的算法。对不起，如果我要求太多，但你介意看看这个问题吗？一个星期没有人回答。谢谢，如果你不回答我理解。 stackoverflow.com/questions/46590920/…