keras的Conv2DTranspose与Conv2D输出大小
在学习FCN的过程中，用到了Conv2DTranspose，在此给出其计算公式。
Conv2D输出计算
对于Conv2D（此处不再考虑卷积核数，即参数filters，因为设为多少，输出就是多少），
输入图片矩阵为：WxW
卷积核大小，kernel_size：FxF
步长strides：S
边界扩充padding的值：P
则，输出大小N： N = ( W − F + 2 P ) / S + 1 N=(W-F+2P)/S+1 N=(W−F+2P)/S+1
Conv2DTranspose输出计算
如上，逆运算可得
输入图片矩阵为：NxN
卷积核大小，kernel_size：FxF
步长strides：S
边界扩充padding的值：P
则，输出大小W： W = ( N − 1 ) ∗ S − 2 P + F W=(N-1)*S-2P+F W=(N−1)∗S−2P+F
举个栗子，原大小为 X X X，FCN5层池化后为 X / 32 X/32 X/32，可以使用下式恢复原来大小： ( X / 32 − 1 ) ∗ 32 + 32 (X/32-1)*32+32 (X/32−1)∗32+32，即设卷积核大小和步长为32，padding为0 。
此部分的源码可以参考：..\Anaconda3\Lib\site-packages\keras\utils\conv_utils.py。