轉置卷積可以用來增大輸入的高寬，算是對卷積的反捲？並不是。

轉置卷積本質上還是一個卷積，它只是與卷積在形狀上是相反的，但是數值不是；

卷積的逆運算是反捲積，反捲積的輸入和輸出與卷積的輸出和輸入相同；

反捲積是數學上的概念，計算機領域但凡提到“反捲積神經網路”指的都是用轉置卷積，因為反捲積在機器學習領域好像沒什麼價值。

 早期的卷積都是通過這種等價的矩陣乘法完成的，從這個角度看，我們用來卷積的卷積核對應的向量為V，而反過來的卷積正好是V的轉置，因此這種反捲的過程叫做轉置卷積。

 轉置卷積其實和卷積沒太大區別了，手搓比較容易，程式碼不寫了。

但是這裡要注意卷積的兩個超引數：步幅和填充。

轉置卷積的填充，可以理解為填充在輸出上。當步長為1的時候，我們對一個2x2的矩陣做2x2核的轉置卷積，得到的結果應該是3x3,（見最上面那張圖），但是如果我們讓padding=1，那麼得到的結果就是1x1的結果，因為在輸出上padding了一圈，讓輸出成為3x3，那麼把這一圈去掉，就是1x1.說人話，其實就是padding在輸出後把輸出的矩陣的前padding行和列與後padding行和列給刪除了而已。

步幅越大，結果就越大，還是上面那個例子，如果把stride=2，那麼就不會有重疊的部分，也因此得到的結果就是4x4的矩陣。

轉置卷積，本質上還是一種卷積。

轉置卷積的步幅和填充取值後對形狀的計算，可以再看一遍：https://www.bilibili.com/video/BV1CM4y1K7r7?spm_id_from=333.999.0.0

至於轉置卷積到底為什麼存在，這得等明天去研究全連線卷積神經網路。