PyTorch 中特征变换：卷积与转置卷积

在深度学习尤其是计算机视觉领域，卷积操作是提取特征的核心手段，而转置卷积则承担着上采样、恢复特征维度的关键作用。今天我们就结合 PyTorch 的nn.Conv2d和nn.ConvTranspose2d，深入解析这两种操作的原理、参数与应用。

一、基础卷积：nn.Conv2d—— 特征的 “提炼者”

1. 核心功能

nn.Conv2d的作用是对多个二维信号（如图像的多个通道）进行二维卷积，通过滑动卷积核对输入特征图进行局部加权求和，从而提取更抽象的特征（如边缘、纹理、物体部件等）。

二、卷积的各种类型（第二部分来自于此文章）

https://blog.csdn.net/weixin_44505185/article/details/126817075?fromshare=blogdetail&sharetype=blogdetail&sharerId=126817075&sharerefer=PC&sharesource=sweet_ran&sharefrom=from_linkhttps://blog.csdn.net/weixin_44505185/article/details/126817075?fromshare=blogdetail&sharetype=blogdetail&sharerId=126817075&sharerefer=PC&sharesource=sweet_ran&sharefrom=from_link

1、标准卷积

（1）二维卷积（单通道卷积版本）（2D Convolution: the single channel version）

只有一个通道的卷积。

（2）二维卷积（多通道版本）（2D Convolution: the multi-channel version）

拥有多个通道的卷积，例如处理彩色图像时，分别对R, G, B这3个层处理的3通道卷积。实际我们上是对一个 3D 体积执行卷积。但通常而言，我们仍在深度学习中称之为 2D 卷积。这是在 3D 体积数据上的 2D 卷积。过滤器深度与输入层深度一样。这个 3D 过滤器仅沿两个方向移动（图像的高和宽），再将三个通道的卷积结果进行合并（一般采用元素相加），这种操作的输出是一张 2D 图像（仅有一个通道），如下图：

（3）三维卷积（3D Convolution） 

这是 2D 卷积的泛化。3D 卷积的过滤器深度小于输入层深度（核大小<通道大小）。因此，3D 过滤器可以在所有三个方向（图像的高度、宽度、通道）上移动。在每个位置，逐元素的乘法和加法都会提供一个数值。因为过滤器是滑过一个 3D 空间，所以输出数值也按 3D 空间排布。也就是说输出是一个 3D 数据。如下图：

（4）1x1卷积（1 x 1 Convolution）

当卷积核尺寸为1x1时的卷积，也即卷积核变成只有一个数字。如下图：

从上图可以看出，1x1卷积的作用在于能有效地减少维度（channel），降低计算的复杂度。1x1卷积在GoogLeNet网络结构中广泛使用。

2、反卷积（转置卷积 / 去卷积）（Deconvolution / Transposed / Fractionally Strided Convolution）

卷积是对输入图像提取出特征（可能尺寸会变小），而所谓的“反卷积”便是进行相反的操作。但这里说是“反卷积”并不严谨，因为并不会完全还原到跟输入图像一样，一般是还原后的尺寸与输入图像一致，主要用于向上采样。实现上采样的传统方法是应用插值方案或人工创建规则。而神经网络等现代架构则倾向于让网络自己自动学习合适的变换，“反卷积”相当于是将卷积核转换为稀疏矩阵后进行转置计算，因此，也被称为“转置卷积”

如下图，在2x2的输入图像上应用步长为1、边界全0填充的3x3卷积核，进行转置卷积（反卷积）计算，向上采样后输出的图像大小为4x4

3、空洞卷积（膨胀卷积）（Dilated Convolution / Atrous Convolution）

为扩大感受野，在卷积核里面的元素之间插入空格来“膨胀”内核，形成“空洞卷积”（或称膨胀卷积），并用膨胀率参数L表示要扩大内核的范围，即在内核元素之间插入L-1个空格。当L=1时，则内核元素之间没有插入空格，变为标准卷积。

如下图为膨胀率L=2的空洞卷积：

2. 关键参数解析

• in_channels：输入特征图的通道数。例如，RGB 图像的in_channels=3，灰度图则为1。
• out_channels：输出特征图的通道数，等价于卷积核的个数。每个卷积核学习一种特定的特征模式，out_channels越多，模型能提取的特征种类越丰富。
• kernel_size：卷积核的尺寸（如3表示3×3的方形卷积核，也可传入元组(3, 5)表示矩形卷积核）。
• stride：卷积核滑动的步长。步长越大，输出特征图尺寸缩小得越快。
• padding：在输入特征图边缘填充的像素数。用于控制输出特征图的尺寸，避免因卷积导致尺寸过度缩小（如padding=1可让3×3卷积核在32×32输入上输出32×32的特征图）。
• dilation：空洞卷积的膨胀率。若dilation>1，卷积核元素间会插入空洞，从而扩大感受野（例如dilation=2时，3×3卷积核的实际感受野相当于5×5，但参数数量不变）。
• groups：分组卷积的组数。用于控制输入输出通道的连接方式（如groups=in_channels时为深度可分离卷积，大幅减少参数量）。
• bias：是否添加偏置项。偏置为每个输出通道提供一个可学习的偏移量，使模型更灵活。

3. 代码示例

import torch
import torch.nn as nn# 定义一个卷积层：输入3通道，输出16通道，3×3卷积核，步长1，填充1
conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)
x = torch.randn(1, 3, 32, 32)  # 模拟输入：batch_size=1，3通道，32×32
output = conv(x)
print(output.shape)  # 输出: torch.Size([1, 16, 32, 32])

三、转置卷积：nn.ConvTranspose2d—— 特征的 “放大器”

1. 核心功能

nn.ConvTranspose2d实现转置卷积（也叫反卷积），主要用于上采样—— 将小尺寸的特征图放大到更大的尺寸，常见于图像生成（如 GAN）、语义分割（如 U-Net）等需要恢复空间分辨率的任务。

2. 关键参数解析

转置卷积的参数与普通卷积高度对应，但作用逻辑有所不同：

• in_channels/out_channels：输入 / 输出通道数，含义与nn.Conv2d一致。
• kernel_size/stride/padding：这些参数决定了上采样的 “放大倍数”。例如，当stride=2时，输出特征图的尺寸通常是输入的 2 倍（需结合padding等参数计算）。
• output_padding：转置卷积特有的参数，用于微调输出尺寸。当普通卷积的stride>1时，转置卷积可能因整除问题导致输出尺寸偏差，output_padding可手动补充像素修正。
• dilation/groups/bias：含义与nn.Conv2d一致，用于空洞卷积、分组卷积和偏置控制。

3. 代码示例

# 定义一个转置卷积层：输入16通道，输出3通道，3×3卷积核，步长2，填充1
conv_trans = nn.ConvTranspose2d(in_channels=16, out_channels=3, kernel_size=3, stride=2, padding=1)
x = torch.randn(1, 16, 16, 16)  # 模拟输入：batch_size=1，16通道，16×16
output = conv_trans(x)
print(output.shape)  # 输出: torch.Size([1, 3, 32, 32]) （实现2倍上采样）

四、卷积与转置卷积的核心差异

维度	普通卷积（nn.Conv2d）	转置卷积（nn.ConvTranspose2d）
功能	下采样 / 特征提取	上采样 / 特征恢复
尺寸变化	输入尺寸 ≥ 输出尺寸（stride≥1）	输入尺寸 ≤ 输出尺寸（stride≥1）
典型场景	分类网络的特征提取（如 ResNet）	生成网络的上采样（如 DCGAN）、分割网络的解码（如 U-Net）
参数逻辑	参数决定 “如何压缩特征”	参数决定 “如何放大特征”

五、实际应用：U-Net 中的 “卷积 - 转置卷积” 协作

以语义分割经典模型 U-Net 为例，其结构完美体现了两者的协作：

1. 编码阶段（下采样）：通过nn.Conv2d + nn.MaxPool2d不断缩小特征图尺寸，同时增加通道数，提取更抽象的特征。
2. 解码阶段（上采样）：通过nn.ConvTranspose2d逐步放大特征图尺寸，同时与编码阶段的特征图拼接（Skip Connection），恢复细节信息，最终输出与输入尺寸一致的分割结果。

class UNetBlock(nn.Module):def __init__(self, in_channels, out_channels):super().__init__()self.conv = nn.Sequential(nn.Conv2d(in_channels, out_channels, 3, padding=1),nn.ReLU(),nn.Conv2d(out_channels, out_channels, 3, padding=1),nn.ReLU(),)self.up = nn.ConvTranspose2d(out_channels, out_channels // 2, 2, stride=2)  # 转置卷积上采样def forward(self, x, skip):x = self.conv(x)x = self.up(x)x = torch.cat([x, skip], dim=1)  # 拼接编码阶段的特征return x

六、总结

nn.Conv2d是深度学习中 “提炼” 特征的核心工具，通过下采样和卷积核提取抽象模式；而nn.ConvTranspose2d则是 “还原” 特征的关键手段，通过上采样恢复空间细节。两者相辅相成，共同支撑起从图像分类到生成、分割等复杂视觉任务的实现。理解它们的参数与逻辑，是掌握深度学习视觉模型的重要基础。