深度学习 | 反卷积/转置卷积 的理解 transposed conv/deconv

搞明白了卷积网络中所谓deconv到底是个什么东西后，不写下来怕又忘记，根据参考资料，加上我自己的理解，记录在这篇博客里。

先来规范表达

• 为了方便理解，本文出现的举例情况都是2D矩阵卷积，卷积输入和核形状都为正方形，x和y轴方向的padding相同，stride也相同。
• 记号：
  $\ i,o,k,p,s$ 分别表示：卷积/反卷积的输入大小$\ input\ size$，卷积/反卷积输出大小$\ output\ size$，卷积/反卷积核大小$\ kernel\ size$，$\ padding$，$\ stride$ 。
• 举例（如下左图）：
  输入$\ X\in\Bbb R^{(4,4)}$矩阵，卷积核  w∈R(3,3)，padding=