tf.layers.conv2d_transpose 公式計算out_shape 計算輸出的尺寸

tf.layers.conv2d_transpose 如下圖所示，藍色爲輸入，綠色輸出，灰色爲卷積核，虛線網格爲0，所以也可以看作是補０之後的正常卷積

　　　　　　　　　　　　　　　　　

tf.layers.conv2d_transpose(inputs=img, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='valid')

參數：filters: 輸出的通道數

　　　kernel_size:卷積核的尺寸大小

　　　strides: 這個步長並不是卷積核的移動步長，strides-1 表示在輸入元素之間補０的數量，同時反捲積的步長一定爲1

　　　padding:和正常卷積也是相反的

觀察之後看到，補0 過程分爲兩個部分：元素之間和外輪廓

1 、當padding = ‘valid’時：

     元素之間補0：（input_size - 1）×（strides - 1）

     外輪廓補0：（kernel_size - 1）× 2

     output_size = (input_size  + （input_size - 1）×（strides - 1） +（kernel_size - 1）× 2 - kernel_size ) / 1 + 1

2、當padding = ‘same’時：

     output_size = input_size × strides

     他是通過調整外輪廓的補0 數量實現的，如果不夠，我個人覺得可能元素之間補0也會減少

 

img = np.random.randint(0, 255, (5, 16, 16, 32)).astype(np.float32)
img_t = tf.constant(img, tf.float32)

transpose_v = tf.layers.conv2d_transpose(inputs=img_t, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='valid')
transpose_s = tf.layers.conv2d_transpose(inputs=img_t, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='same')
print('valid 輸出尺寸：', transpose_v.shape)
print('same 輸出尺寸： ', transpose_s.shape)


valid 輸出尺寸： (5, 36, 36, 16)
same 輸出尺寸：  (5, 32, 32, 16)