图示理解卷积运算、逆卷积运算、Tensorflow、tf.nn.conv2d_transpose、Conv2DSlowBackpropInput: Size of out_backprop doesn

卷积运算

这里以二维卷积为例讨论：

正方形输入( $i_1 = i_2 = i$)

正方形卷积核大小（ $k_1=k_2=k$）

相同的步长（ $s_1=s_2=s$）

相同的零填充（ $p_1=p_2=p$）

第一种情况： $s=1 ,p=0, i=4, k=3$

从输入图像的最右边开始，一个步长一个步长直到抵达图像的另外一边
输入图像的大小为：

$$o=(i-k)+1$$

第二种情况：$s=1 ,p=2, i=5, k=3$

输入图像的大小为：

$$o=(i-k+2p)+1$$

第三种情况： 比较特殊，名为Half padding（SAME模式）
即是输出图像大小与输入图像大小相同, 假设$i=5, s=1 , k=2n+1$，
满足$p=[k/2]$有：

$$\begin{align} o&=i+2[k/2]-(k-1)\\ &=i + 2n-2n\\ &= i\\ \end{align}$$

第四种情况： Full padding，即输出比原始图像还大的图像，
满足$p=k-1, s=1$情况：

$$\begin{align} o&=i+2(k-1)-(k-1)\\ &=i + k-1\\ \end{align}$$

第五种情况：$s \neq 1, p = 0$
$s=2 ,p=0, i=5, k=3$

这种情况下输出图像大小为：

$$o=\left[\frac{i-k}{s}\right]+1$$
注意的是：求 下限函数解释了最后一步并不和卷积层抵达输入另外一侧相一致。也就是会遗漏一些输入像素

第六种情况：$s \neq 1, p \neq 0$
输出图像大小为：

$$o=\left[\frac{i-k+2p}{s}\right]+1$$
s=2,