pytorch实现DCT变换 pytorch convtranspose

这里写自定义目录标题

• 发现问题
• 为何是输入层特征为偶数？是否通用？
• 查看他人讲解

最近在学习深度聚类，学习到文章网络DCEC(卷积自编码器进行深度聚类)，采用卷积自编码器进行print model.summary时，出现特征图无法完全还原问题如下：

如图，输入为一个（127,127,3）的特征图，最终经过上采样得到的却是（121,121,3）的特征图。

发现问题

通过对代码进行手动计算，卷积层输出大小与转置卷积层输出大小如下（懒得打字了）：

最终发现问题出现在：

代码第一行的意义是：如果输入的特征层第一维是偶数的话，out_padding填充1，否则不需要填充，即out_padding=0。（本文特征大小是正方形，后续有空的话会出矩形特征图的写法）

为何是输入层特征为偶数？是否通用？

于是我又改变了卷积核，步长等，发现问题又出现了。。还是不能完全还原。。

写了一个输入输出的测试代码：

import numpy as np

input_size=15
padding=2
kernel_size=5
strides=2

print(input_size)

# 卷积输出大小
output_size=int(np.floor(( input_size + padding * 2 - kernel_size ) / strides )+ 1)
print(output_size)

# 转置卷积输出大小
out_padding = 1 if output_size % 2 ==0 else 0
output_size2=(output_size-1)*strides+kernel_size -2*padding+out_padding
print(output_size2)

得到结果：

依然没法还原，看来out_paddig还是不对。

查看他人讲解

主要意思是这一句，这个参数在做步长为1的反卷积时是不用在意的。然而当步长大于1了，就需要手动设置以免网络出错。
添加链接描述

也就是说，out_padding的计算公式是没有什么用的，主要办法还是手动计算，那么如何手动计算呢？我的理解是：

out_padding=input_size(卷积层输入大小)-output_size(反卷积层不加out_padding时的大小)
即：

import numpy as np

input_size=15
padding=2
kernel_size=5
strides=2

print(input_size)

# 卷积输出大小
output_size=int(np.floor(( input_size + padding * 2 - kernel_size ) / strides )+ 1)
print(output_size)

# 转置卷积输出大小
output_size1=(output_size-1)*strides+kernel_size -2*padding
out_padding = abs(input_size-output_size1)
print('out_padding:',out_padding)

output_size2=(output_size-1)*strides+kernel_size -2*padding+out_padding

print(output_size2)

这样，无论输入大小为多少。反卷积都可以还原为原始输入特征大小