nn.ConvTranspose2d的参数output_padding的作用

参考：https://blog.csdn.net/qq_41368247/article/details/86626446

使用前提：stride > 1

补充：same卷积操作

是通过padding使得卷积之后输出的特征图大小保持不变(相对于输入特征图)，不代表得到的输出特征图的大小与输入特征图的大小完全相同，而是他们之间的比例保持为 输入特征图大小/输出特征图大小 = stride

 

举例：

 

比如输入特征图为6*6，stride=2, kernel_size = 3, 所以进行same卷机操作得输出特征图为3*3 (6/2 = 3)

如果输入特征图为5*5，stride=2，kernel_size = 3,这时候设置padding = 1，那么也会得到输出特征图为3*3

那么这样的情况就会导致在逆卷积时出现一个问题。

 

问题：

问题就是，不同大小的图片经过卷积运算能得到相同尺寸的输出，那么作为逆运算，同样的一张输入图像经过反卷积是否会有不同尺寸的合法输出