ConvTranspose2d原理，对反卷积的思考

对公式的个人理解：

 

反卷积实际上，相当于先用0插值再对插值后的图像做常规卷积操作。从上述公式中可以看出，ConvTranspose2d中的参数stride参数相当于F.upsample函数中的放缩因子scale。

代入实例以供理解：现有width=60的input，欲反卷积得到output的width=240。即：240 = （60 - 1）* stride + kernalsize - 2*padding + output_padding

方案一：令stride=4，则kernel_size=3， padding=1，output_padding=3

             这相当于先对input做插值，相邻像素之间插入（stride-1=3）个0，此时 width' = width+ (stride - 1)*(input  - 1) = 237, 将原始input迅速插值到接近output的尺寸。

             接下来对237*237的图像做stride' = 1(固定不变)，kernalsize' = kernel_size = 3， padding' = kernel_size - stride' - 1 = 1的正常卷积操作，正常卷积后的尺寸仍然为237。最后一步，对卷积后的图像做边缘填充，填充宽度=output_padding=3，最后得到了大小为240的图像。

方案二：令stride=2，则根据反卷积公式计算可知：kernalsize-2*padding+output_padding应等于240-118=122，假设padding=0，kernel_size=60， output_padding=62。

这里不继续计算下去，这么写的目的是：

1：理解反卷积参数（尤其是stride）的含义

2：为了更好的理解反卷积和上采样F.interpolate的区别。反卷积第一步是相邻像素间插入0，单这一步没有F.interpolate双线性插值来的让人安心，而第二步通过卷积优化插值图像。实际测试放到神经网络进行测试发现，input、output尺寸差距为2倍关系时，用反卷积放大图像做loss会提升网络性能。input、output尺寸差距为4倍关系的结果有待补充。

youtube链接：https://www.youtube.com/watch?v=Tk5B4seA-AU&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49&index=26

本文转自CSDN博客（https://blog.csdn.net/qq_27261889/article/details/86304061/）

为了做个笔记方便查阅。