складність 3/5
Transposed convolution
Згортка, запущена навпаки: вона розкидає ядро замість того, щоб збирати, перетворюючи малу карту ознак на більшу. Назва буквальна, а не метафора.
Інтуїція
Згортка й пулінг зменшують карти ознак. Саме цього ви хочете для класифікації, де відповідь — одна мітка, і саме цього не хочете для будь-якої задачі, чия відповідь має той самий розмір, що й вхід.
d2l прямо формулює вимогу: «у семантичній сегментації, що класифікує на рівні пікселів, зручно, якщо просторові розміри входу й виходу однакові. Наприклад, канальний вимір в одному вихідному пікселі може містити результати класифікації для вхідного пікселя в тій самій просторовій позиції» [1, §14.10]. Тож щось має скасувати зниження роздільності, і транспонована згортка — навчуваний спосіб це зробити, «також звана згорткою з дробовим кроком… для обернення операцій зниження роздільності згорткою» [1, §14.10].
Корисна ментальна модель: звичайна згортка збирає — кожен вихід читає вікно входу. Транспонована згортка розкидає — кожен вхід записує копію ядра у вікно виходу, і записи, що перекриваються, додаються. Усе дивне в цьому шарі випливає з цього додавання.
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
Джерела
- Dive into Deep Learning — Transposed Convolutionbook · звірено 2026-09-14https://d2l.ai/chapter_computer-vision/transposed-conv.html
- U-Net: Convolutional Networks for Biomedical Image Segmentation (2015)paperhttps://ar5iv.labs.arxiv.org/html/1505.04597
- Deconvolution and Checkerboard Artifacts (2016)paperhttps://distill.pub/2016/deconv-checkerboard/