【Tensorflow】反卷积是如何实现的-优快云博客

本文深入探讨了TensorFlow中反卷积（Transposed Convolution）的实现原理，特别是输出尺寸的计算方法，包括在不同padding模式下如何调整输入与输出尺寸。同时，对比了PyTorch框架中反卷积的简化处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

注意：tensorflow是指定了output_shape的，但是keras的output是计算出来的，所以keras的具体输出形状还是得打印出来看了才能知道，或者自己到相应的计算函数中查看。

卷积的输出尺寸：

tensorflow官方是这么写的，

其中，VALID时的padding数为：

如果p为奇数就是左奇右偶填充。

反卷积判断输出尺寸是否正确也可以根据以上卷积的公式进行计算，只不过输入输出要互换。

另一点需要注意的点反卷积的filter尺寸输入输出要互换。即卷积[h,w,in,out]反卷积[h,w,out,in]

要想我们按照这种方法求得的结果和输入tf.nn.conv2d_transpose()函数的结果是一样的，需要对卷积核翻转180。

问题：反卷积的时候padding方式不同，具体是如何实现的？以及如何crop的问题

因为网上大多数是针对padding=SAME的情况，而padding=VALID的情况没有找到很好的解释。

经过一天的实验，总结以下

在input之间补s-1个0，再在最外圈补f-1圈0.

SAME时，从output裁剪处output大小的矩阵来，而VALID时，如果输出的矩阵比要求的小，需要在最后一列和最后一行补0。

（一般情况下VALID的输出矩阵会比SAME的要大）

而以上的这些烦恼在pytorch中就不复存在了。pytorch大法好！

nn.ConvTranspose2d(self, in_channels, out_channels, kernel_size, stride=1,
             padding=0, outputpadding=0, groups=1, bias=True, dilation=1)

输出直接可以根据公式求得，还不会出现tensorflow里那种输出尺寸可能会不确定所以必须得指定output_shape。