keras的Conv2DTranspose逆卷积

学GAN，逆卷积过程中图片大小变化到底是怎么变的？和步长有关系吗？

先看卷积时的情况

padding = “VALID”输入和输出大小关系如下：

输出大小等于输入大小减去滤波器（卷积核）大小加上1，最后再除以步长（f为滤波器的大小，s是步长大小）

padding = “SAME”输入和输出大小关系如下：

即输出大小等于输入大小除以步长向上取整，s是步长大小；

== 那逆卷积就是这个过程的逆 ==

下面来举个栗子
对于输入大小为7x7，输入通道数为256的图片，我们要求输出大小仍然为7x7，进行如下逆卷积操作：

则逆卷积输出大小W*W为:
⌈W/1⌉=7，则W=7
那么strides=(2,2)呢？
⌈W/2⌉=7，则W‘=14（输出大小翻倍，变成14x14）
（输出图片的通道数是由自己任意指定的）

那网上还有流传这样的公式

Conv2DTranspose输出计算

输入图片矩阵为：NxN
卷积核大小，kernel_size：FxF
步长strides：S
边界扩充padding的值：P
则，输出大小W：
$$W=(N-1)\ast S-2P+F$$
为什么不用这个计算逆卷积之后图片的大小呢？

这个公式也是对的，这个需要知道padding 0的个数。一般我们利用向上求整公式计算最后图像大小，然后利用上述这个公式计算padding 0 的个数

结论

逆卷积输出图片大小：与输入图片大小和步长有关，计算公式如上文

参考：
https://blog.csdn.net/syyyy712/article/details/80272071