什么是反卷积参考博客
我们知道，当输入图像通过卷积神经网络(CNN )提取特征时，输出的大小往往会变小。 此外，还需要将图像恢复为原始大小以进行进一步的计算。 将图像大小整体放大，并将图像从小分辨率映射到大分辨率的操作称为上采样)
反卷积是上采样的一种方式，反卷积也叫转置卷积。
图1去卷积原理图(stride=1)上图显示了去卷积的工作过程。 与卷积过程的主要区别在于，解卷积输出的图像尺寸大于输入图像的尺寸。 要实现这个，请添加padding。 上图显示了stride为1的解卷积过程。
图1反卷积原理图(stride=2)在进行反卷积的时候设置的stride并不是指反卷积在进行卷积时候卷积核的移动步长，而是被卷积矩阵填充的padding
例如，上图中原输入为33的输入，此时进行卷积处理，设定为stide=2。 操作在33的每一行中插入一行和一列的0填充。
其次，我们还需要注意一个事，通过反卷积并不能还原之间的矩阵，只能从大小上进行还原，反卷积的本质还是卷积，只是在进行卷积之前，会进行一个自动的padding补充0，从而使得输出的矩阵和指定输出的矩阵的shape相同
如上图所示，用33卷积核对44的输入进行卷积，得到22的输出，然后进行逆卷积，发现不是原始输入。 其实很简单。 第一个数加九个数等于4.5。 不能用一个方程式解9个未知数。 因此，卷积无法恢复原来的输入，只能保证shape是相同的。
参考博客彻底理解CNN的卷积和反卷积
3359 blog.csdn.net/sinat _ 29957455/article/details/8558870