求逆卷积ConvTranspose2d（fractionally-strided convolutions）

怎么求逆卷积ConvTranspose2d（fractionally-strided convolutions）？

这里并不给出理论推导，直接说算法实现。也就是代码中如何实现。

当给一个特征图a, 以及给定的卷积核设置，我们分为三步进行逆卷积操作：

1. 第一步：对输入的特征图a进行一些变换，得到新的特征图a’
2. 第二步：求新的卷积核设置，得到新的卷积核设置，后面都会用右上角加撇点的方式区分
3. 第三步：用新的卷积核在新的特征图上做常规的卷积，得到的结果就是逆卷积的结果，就是我们要求的结果。

以下解释怎么做：
在说怎么做之前，我们下规定一下符号，右上角加撇点的为修改之后的：
特征图a: Height, Width
输入的卷积核： kernel 的size = Size, 步长为Stride，填充就是padding。

新的特征图：Height’=Height+(Stride-1)*(Height-1)，Width类似计算得到。
接下来说一下这个新的特征图是怎么得到的：我们在输入的特征图基础加上一些东西，专业名词叫做interpolation，也就是插值。
这就涉及到两个问题，插在哪里，插什么。
插什么？插得就是0。
插在哪里？在原先高度方向的每两个相邻中间插上"Stride−1"列0。我们知道对于输入为Height的特征图来说有Height−1个位置，所以，最终我们的特征图在原先的基础上加上(Stride−1)∗(Height−1)

新的卷积核：Stride′ =1，这个数不变，无论你输入是什么。kernel的size′ 也不变, padding′ 为Size−padding−1.

最后，用新的卷积核和新的特征图，得到最终的逆卷积结果。
根据公式可以知道输出的特征图（用输入的符号表示）的大小是多少了，下面我给出简单的推导。

先给出公式【卷积输出计算公式】：

Height'_out= (Height'_in+ 2*padding -Size)/Stride+1

代上上面新的卷积核和新的特征图设置情况，可以得到

(Height+(Stride−1)∗(Height−1)+2∗(Size−padding−1)−Size)/1+1

化简可得：

(Height−1)∗Stride−2∗padding+Size

得到结果与pytorch官网给出的计算方法是一样的。目前这里先忽略output_padding。

参考原文链接：https://blog.csdn.net/qq_27261889/article/details/86304061