卷積：

class torch.nn.
 
Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True)

    
    
1

藍色為輸入，藍色上的陰影為卷積核(kernel)，綠色為輸出，藍色邊緣的白色框為padding

反捲積：

class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, bias=True)

    
    
1

卷積和反捲積函式中的in_channels與out_channels以及kernel_size的含義相同。

需要注意的是padding和stride和conv2d不同，padding不是藍色的留白,是kernel像影象中心移動的單位。如下當padding=0時，卷積核剛好和輸入邊緣相交一個單位。因此pandding可以理解為卷積核向中心移動的步數。 同時stride也不再是kernel移動的步數，變為輸入單元彼此散開的步數。
即：
padding=0時，卷積核的起始位置和輸入層相交一個畫素，當padding=1時，卷積核的起始位置和輸入層相交2個畫素，依此類推；
stride=1時，輸入層元素之間沒有間隔，當stride=2時，輸入層元素之間間隔為1，stride=3時，輸入層元素之間間隔為2，以此類推。

示意圖如下圖所示：

padding=0,kernel_size=3,stride=1
output_padding是對反捲積後的特徵圖進行邊緣填補0.
output_padding=0表示不進行填補，output_padding=1表示進行填補一圈0，等於2表示進行填補2圈0.

padding=2,kernel_size=4,stride=1

padding=2,kernel_size=3,stride=1

padding=0,kernel_size=3,stride=2

padding=1,kernel_size=3,stride=2

歡迎留言討論~ ^ _ ^