根据这个paper ，输出形状为 N + H - 1 , N是输入高度或宽度，H是内核高度或宽度。这是卷积的明显逆过程。此 tutorial给出计算卷积输出形状的公式为(W−F+2P)/S+1 , W - 输入大小，F - 过滤器尺寸，P - 填充尺寸，S - 大步。但在 Tensorflow ，有如下测试用例:
strides = [1, 2, 2, 1]
# Input, output: [batch, height, width, depth]
x_shape = [2, 6, 4, 3]
y_shape = [2, 12, 8, 2]
# Filter: [kernel_height, kernel_width, output_depth, input_depth]
f_shape = [3, 3, 2, 3]
所以我们使用
y_shape , f_shape和 x_shape ，根据公式(W−F+2P)/S+1计算填充大小 P .来自 (12 - 3 + 2P) / 2 + 1 = 6 ，我们得到 P = 0.5 , 不是整数。 Tensorflow 中的反卷积是如何工作的？
最佳答案
对于解卷积，
output_size = strides * (input_size-1) + kernel_size - 2*padding
strides, input_size, kernel_size, padding 都是整数
“有效”的填充为零
关于neural-network - 在tensorflow中使用tf.nn.conv2d_transpose获取反卷积层的输出形状，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/35980044/