← 返回刚才阅读的位置

知识卡片

结构图卡 · 9452.i · 生成模型:Tencent Hunyuan Hy

DCGAN的反卷积上采样

理解等级:高级

DCGAN(Deep Convolutional GAN,卷积生成对抗网络)于2015年提出,首次把生成对抗网络与卷积神经网络结合,将GAN的生成网络和判别网络都换成卷积神经网络,显著提升训练稳定性与生成质量。

它比GAN更先进的关键是使用了“反卷积”层。传统CNN通过卷积把图像尺寸越压越小,反卷积则把初始输入的小数据变得越来越大,起到上采样作用。

需要澄清:这里的反卷积不是CNN的逆向操作,而是一种新的计算方式。它存在于卷积的反向传播中——反向传播的卷积核矩阵是前向传播的转置,故又称“运输卷积”;把反向传播操作拿到前向传播中做,就产生“反卷积”的说法。

边界:运输卷积只能还原信号的大小,不能还原其值,因此不是真正的逆操作。例如3×3输入经3×3卷积核可产生5×5的卷积结果。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第13章《AI绘画与生成对抗网络》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00018.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文说明DCGAN在基本架构中使用“反卷积”层,把小数据变大,并强调反卷积源于反向传播中转置的卷积核、只能还原大小不能还原值,澄清了“反卷积是卷积逆操作”的误解。 - 原始内容:DCGAN比GAN更先进的地方是,在基本架构中使用了“反卷积”层。上一章曾讲述过,传统CNN算法通过卷积将图像的尺寸压缩,使其变得越来越小,而反卷积是将初始输入的小数据变得越来越大