pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解

参数详解

in_channels,
#输入数据的通道数
out_channels,
#输出数据的通道数（就是我想让输出多少通道，就设置为多少）
kernel_size,
#卷积核的尺寸（如（3，2），3与（3,3）等同）
stride=1,
#卷积步长，就是卷积操作时每次移动的格子数
padding=0,
#原图周围需要填充的格子行（列）数
output_padding=0,
#输出特征图边缘需要填充的行（列）数，一般不设置
groups=1,
#分组卷积的组数，一般默认设置为1，不用管
bias=True
#卷积偏置，一般设置为False，True的话可以增加模型的泛化能力

torch.nn.ConvTranspose2d(   in_channels,  #输入数据的通道数
							out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少）
							kernel_size,  #卷积核的尺寸（如（3，2），3与（3,3）等同）
							stride=1,     #卷积步长，就是卷积操作时每次移动的格子数
							padding=0,    #原图周围需要填充的格子行（列）数
							output_padding=0,   #输出特征图边缘需要填充的行（列）数，一般不设置
							groups=1,     #分组卷积的组数，一般默认设置为1，不用管
							bias=True     #卷积偏置，一般设置为False，True的话可以增加模型的泛化能力
							)

特征图尺寸计算

out_size = (in_size - 1) * S + K - 2P + output_padding

其中，K为kernel_size的设置值，P为padding的设置值，S为stride的设置值，output_padding为该超参的设置值