对于反卷积，转置卷积的理解（一文定胜负）

看了好多博客，也看过论文，对于反卷积，转置卷积的理解一直模模糊糊，对于反卷积，转置卷积到底是不是一回事一直是一个问号。直到今天对SAME卷积做了一次小小的尝试，心中才有了一个思路（不知道对不对），之所以之前一头雾水，原因是对SAME卷积的误解。在tensorflow中，tf.nn.conv2d()函数中的padding=‘SAME’，当strides=[1,1,1,1]的时候，卷积之后的输出特征图大小和输入一致，但当strides=[1,2,2,1]的时候，卷积之后的输出特征图大小是输入大小的1/2。如下图所示

当步长为3的时候，卷积之后的输出特征图大小是输入大小的1/3,如下图所示，所以stride决定了下采样的倍数。
对于卷积和转置卷积的推导公式如下图所示，所以，tensorflow中的转置卷积并不是在输入特征图上补0（虽然这也是上采样的一种方式，应该是full卷积），而是和下图推到的那样。
所以fcn中的上采样方式是转置卷积，例如8倍上采样采用的是sride=8，kernal=16x16，至于kernal为什么采用16，个人感觉应该是实验所得了。
总结：
深度学习这块反卷积和转置卷积操作一样，只不过是卷积的逆向操作。在某些领域反卷积应该等于full卷积，即下图