Tensorflow中转置卷积的实现理解（tf.nn.conv2d_transpose）

       最近在了解FCN时遇到转置卷积（反卷积，这样称呼好像不对），看了很多文档感觉不太好理解，下面是自己的理解，如有错误，希望大家指出纠正。

"""
conv2d_transpose(
    x,
    filter,
    output_shape,
    strides,
    padding='SAME',
    data_format='NHWC',
    name=None
)
"""
#参数解释
filter: [kernel_size,kernel_size, output_channels, input_channels]  这里的转置卷积核和正向卷积核有区别，在于通道数参数的放置位置，因为转置卷积是正向卷积的逆过程，所以放置的位置相反。

#实现过程（其实就是将输入扩充后进行卷积）
#Step 1 扩充:
     将 inputs 进行填充扩大，扩大的倍数与strides有关（strides倍）。扩大的方式是在元素之间插[ strides - 1 ]个 0。padding="VALID"时，在插完值后继续在周围填充的宽度为[ kenel_size - 1 ],填充值为0；padding = "SAME"时，在插完值后根据output尺寸进行填充,填充值为0。
#Step 2 卷积:
     对扩充变大的矩阵，用大小为kernel_size卷积核做卷积操作，这样的卷积核有filters个，并且这里的步长为1(与参数strides无关，一定是1)

#注意：

     conv2d_transpose会计算output_shape能否通过给定的filter,strides,padding计算出inputs的维度，如果不能，则报错。 也就是说，conv2d_transpose中的filter,strides,padding参数，与反过程中的conv2d的参数相同。

 

可以看下面的动图加深理解，先填充后卷积，本质和普通卷积没设么区别 。

 

 实验代码：

import tensorflow as tf
import numpy as np

# 输入：1张图片，尺寸28*28 高宽，通道数3
x = np.ones((1, 28, 28, 3), dtype=np.float32)
# 卷积核尺寸4x4 ，5表输出通道数，3代表输入通道数
w = np.ones((4, 4, 5, 3), dtype=np.float32)
#扩大2倍
output = tf.nn.conv2d_transpose(x, w, (1, 56, 56, 5), [1, 2, 2, 1], padding='SAME')

with tf.Session() as sess:
    m = sess.run(output)
    print(m.shape)