关于tensorflow中转置卷积使用的理解

在FCN，U-net,GAN中都有使用转置卷积（Transposed Convolution）的过程，转置卷积不能单纯地理解为逆卷积（deconvolution）。

在CNN正向卷积过程是一个将图片变小的过程，转置卷积使得图片逐渐变大，直至与原图一样大。

如何理解转置卷积呢，可以先从将卷积的计算转换成矩阵的计算来开始。

好了，到这儿大致了解了转置卷积是什么，能干什么了。也就是由卷积后得到的小图经过转置卷积可以得到大一点的图（这比喻不太恰当，意会就好）。

下面是tensorflow中关于转置卷积的API

这儿再附上tf中关于padding参数的用法：

好了，最后实战一下，怎么用tf中的转置卷积：

import tensorflow as tf# 正向卷积 # 输入尺度  [batch, height, width, in_channels]inputx=tf.random_normal([100,255,255,3],dtype=tf.float32) # kernel  [height, width, in_channels, output_channels]w=tf.random_normal(shape=[5,5,3,10],dtype=tf.float32) # 卷积输出 (100, 126, 126, 10)，注意：这儿用的是VALIDoutputy=tf.nn.conv2d(input=inputx,filter=w,strides=[1,2,2,1],padding='VALID')

用卷积计算输出很容易，但是如果我现在想根据输出图片的大小，怎么设置卷积核的尺寸和strides呢？先贴代码

# 转置卷积# 输入的value  [batch, height, width, in_channels]value=tf.random_normal(shape=[100,126,126,10])# filter [height, width, output_channels, in_channels]w=tf.random_normal(shape=[4,4,3,10])# 转置卷积得出的结果result=tf.nn.conv2d_transpose(value=value,filter=w,output_shape=[100,255,255,3],strides=[1,2,2,1],padding='VALID')with tf.Session() as sess:    tf.global_variables_initializer().run()    # sess.run(outputy)    # print(outputy.shape)    sess.run(result)    print(result.shape)

其实有个很简单的思路，就是像计算卷积那样计算转置卷积。这句话是这么个意思，比如代码中我要得到255*255*3的一张图片（也就是经过转置卷积放大的图片），第一步我们要确定我们用什么padding方式，不同的padding方式确定不同的计算模式。代码中我们使用VALID模式，那么根据转置卷积的输入value是126*126*10的图片，根据计算公式
ceil((255−kernel+1)/stride)=126,其中ceil是向上取整
设kernel等于4，stride算出来正好是2。
如果设置padding是SAME呢，据公式
ceil(255/stride)=126,窝草，这是算不出符合的整数stride的，这说明不能将126*126转置卷积到255*255，据推算在stride为2时候，要输出255*255的只能输入128*128的value到转置卷积里。

参考链接：http://blog.csdn.net/u013250416/article/details/78247818，
https://www.tensorflow.org/api_docs/python/tf/nn/conv2d_transpose，
https://www.tensorflow.org/api_docs/python/tf/nn/convolution，
《a guide to convolution arithmetic for deep learning》