查阅资料了许久，很多博客资料都对知识进行详细讲解，但一到 strides，padding 就一带而过，自己发现还是对于步长 stride 和填充 padding 这两个因素对输出张量大小的关系不是很清楚，于是自行代码实验并在此记录。
反卷积的基本资料查阅：
1、介绍了反卷积的各种详细的知识： https://blog.csdn.net/mao_xiao_feng/article/details/71713358
2、给予了动图方便理解： https://blog.csdn.net/u012938704/article/details/52838902

一、strides=[1,1,1,1],padding=”VALID” 情况

反卷积是卷积的逆过程，其参数代表了正向卷积的过程，如：注意此时的参数 padding=”VALID” 反映的是正向卷积过程不进行填充，但是在上采样反卷积过程中，是一直存在填充 0 的。
直接上代码，简单易懂。

  1. import tensorflow as tf
  3. test1 = tf.constant(1.0, shape=[1,2,2,1])
  4. w = tf.constant(1.0, shape=[3,3,1,1])
  6. result = tf.nn.conv2d_transpose(test1, w, output_shape=[1,4,4,1], strides=[1,1,1,1],padding="VALID")
  8. with tf.Session() as sess:
  9.     print(sess.run(result))

我们定义了一个 shape 为[1,2,2,1]的张量 test1，即其实可以直接理解为 2×2 的矩阵，因为其他维度（batch size 和 channel）均为 1。
反卷积核为 3×3，输出通道和输入通道不变均为 1。tf.nn.conv2d_transpose反卷积（转置卷积） - 图1

此时 output_shape 只能为[1,4,4,1]了，尺寸扩大了一倍。
现在注意到了，因为其实该 tf.nn.conv2d_transpose 反卷积过程是卷积的逆过程，只有[1,4,4,1]的张量在 strides=[1,1,1,1],padding=”VALID” 情况下卷积才能得到[1,2,2,1]的结果，所以发现里面的参数都是相互联系的，互相已经进行了确认。

  1. [[[[1.]
  2.    [2.]
  3.    [2.]
  4.    [1.]]
  6.   [[2.]
  7.    [4.]
  8.    [4.]
  9.    [2.]]
  11.   [[2.]
  12.    [4.]
  13.    [4.]
  14.    [2.]]
  16.   [[1.]
  17.    [2.]
  18.    [2.]
  19.    [1.]]]]

二、strides=[1,1,1,1],padding=”SAME” 情况

  1. import tensorflow as tf
  3. test1 = tf.constant(1.0, shape=[1,2,2,1])
  4. w = tf.constant(1.0, shape=[3,3,1,1])
  6. result = tf.nn.conv2d_transpose(test1, w, output_shape=[1,2,2,1], strides=[1,1,1,1],padding="SAME")
  8. with tf.Session() as sess:
  9.     print(sess.run(result))

若 strides=[1,1,1,1],padding=”SAME” 情况，同上一样，这时候的 output_shape 只能是[1,2,2,1]，只能是 2×2 的张量大小经过 3×3 卷积，并且参数 strides=[1,1,1,1],padding=“SAME”，才能得到 2×2 的张量。
tf.nn.conv2d_transpose反卷积（转置卷积） - 图2

  1. [[[[4.]
  2.    [4.]]
  4.   [[4.]
  5.    [4.]]]]

三、strides=[1,2,2,1],padding=”VALID” 情况

当 strides 步长为 2 的时候，在进行 0 填充的时候有一点不同，它在进行填充的时候进行了一些改变，在下图中进行了表示，同时 strides 步长为 2 同样表示的是正向卷积过程的参数（正如上面第一点讨论的 padding=”VALID” 但是也进行了 0 填充），而反卷积过程中，其卷积核移动仍然是一步一步移动的。
话不多说，还是直接上代码。

  1. import tensorflow as tf
  3. test1 = tf.constant(1.0, shape=[1,2,2,1])
  4. w = tf.constant(1.0, shape=[3,3,1,1])
  6. result = tf.nn.conv2d_transpose(test1, w, output_shape=[1,5,5,1], strides=[1,2,2,1],padding="VALID")
  8. with tf.Session() as sess:
  9.     print(sess.run(result))

此时发现 output_shape 只能是[1,5,5,1]了，不难理解，在 strides=[1,2,2,1],padding=”VALID” 的情况下，也只有 5×5 的张量能够得到 2×2 的张量。
tf.nn.conv2d_transpose反卷积（转置卷积） - 图3

  1. [[[[1.]
  2.    [1.]
  3.    [2.]
  4.    [1.]
  5.    [1.]]
  7.   [[1.]
  8.    [1.]
  9.    [2.]
  10.    [1.]
  11.    [1.]]
  13.   [[2.]
  14.    [2.]
  15.    [4.]
  16.    [2.]
  17.    [2.]]
  19.   [[1.]
  20.    [1.]
  21.    [2.]
  22.    [1.]
  23.    [1.]]
  25.   [[1.]
  26.    [1.]
  27.    [2.]
  28.    [1.]
  29.    [1.]]]]

四、strides=[1,2,2,1],padding=”SAME” 情况

  1. import tensorflow as tf
  3. test1 = tf.constant(1.0, shape=[1,2,2,1])
  5. w = tf.constant(1.0, shape=[3,3,1,1])
  6. result = tf.nn.conv2d_transpose(test1, w, output_shape=[1,3,3,1], strides=[1,2,2,1],padding="SAME")
  8. with tf.Session() as sess:
  9.     print(sess.run(result))

tf.nn.conv2d_transpose反卷积（转置卷积） - 图4

  1. [[[[1.]
  2.    [2.]
  3.    [1.]]
  5.   [[2.]
  6.    [4.]
  7.    [2.]]
  9.   [[1.]
  10.    [2.]
  11.    [1.]]]]

彩蛋：可能大家发现了其实此时输出的张量也可以是[1,4,4,1]（就不再作图了），这也正是印证了为什么当 strides，padding 等等这些参数都确定了还需要指定 out_shape，只有这样才是最后完善的！

https://blog.csdn.net/qq_42192910/article/details/89791539