nn.ConvTranspose2d中output_padding参数理解

比如图片尺寸6×6，步长为2，卷积核为3×3，padding=1，输出的图片尺寸应为(6+2-3)/2+1 = 3。如果输入图片是5×5，步长为2，卷积核为3×3，padding=1，那么输出为（5+2-3)/2+1=3，也是3*3。
这样的话使用反卷积还原图像尺寸时就会争议。
解决争议的办法就是使用output_padding参数，output_padding的值默认为stride-1，这样还原得到的图像尺寸就为输入的stride倍，也就是out_size=stirde×in_size。

比如这里的3×3图像进行反卷积后，默认得到的输出尺寸应为6×6。如果想得到5×5的输出，更改output_padding的值为0即可。

• 为什么output_padding的值默认为stride-1呢？

  大多数情况下希望经过反卷积处理后的图像尺寸/输入的图像尺寸的比例与步长相等（out_size=stirde×in_size）。因此pytorch将参数padding默认设置为(kernel_size - 1)/2 ，在源代码注释中可以看到：
  
  将padding=(kernel_size - 1)/2代入上式中，
  

总结
由于卷积核滑动过程中，边界情况的不确定，使得在运算步长大于1的反卷积时会出现多种合法输出尺寸，pytorch的反卷积层提供了output_padding供使用者选择输出，一般情况下希望输入输出尺寸以步长成比例，因此output_padding一般取stride-1，同时padding取 (kernel_size - 1)/2 。