tensorflow 使用反捲積的時候有兩種方式，
一種使用tf.layers

tf.layers.conv2d_transpose(inputs, filters, kernel_size, strides=(1, 1), padding='valid', data_format='channels_last', activation=None, use_bias=True, kernel_initializer=None, bias_initializer=<tensorflow.python.ops.init_ops.Zeros object at 0x000000000BC10EF0>, kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None, reuse=None)
 

另外一種是使用tf.nn

tf.nn.conv2d_transpose(value, filter, output_shape, strides, padding='SAME', data_format='NHWC', name=None)

tf.layers是tf.nn上進一步的封裝，使用更為簡單。但是tf.layers.conv2d_transpose與tf.nn.conv2d_transpose相比，前者不需要指定輸出的尺寸，而後者是需要指定的。但是相對而言，個人認為tf.nn.conv2d_transpose較為靈活。例如，當只是使用tensorflow實現卷積操作，而卷積核固定為常數不需要更新時，tf.nn.conv2d_transpose則不能適用。
但是tf.nn.conv2d_transpose存在的問題是需要指定輸出的尺寸，我們知道tensorflow是一種靜態圖的方式。在網路建立時指定輸出尺寸，例如bacth_size等，會導致只能處理固定尺寸的輸入。
對於這種問題，有兩種解決方式：

tf.layers.conv2d_transpose實現反捲積

tf.layers.conv2d_transpose實現反捲積時，無需指定輸出尺寸，根據有靈活性。但是前提是，你的需求可以轉換為tf.layers.conv2d_transpose的形式來實現。例如，只是在網路中新增一個需要更新引數的反捲積層，實現網路搭建的目的，那麼使用tf.layers.conv2d_transpose實現反捲積就夠了。

tf.nn.conv2d_transpose實現反捲積

這個問題在github https://github.com/tensorflow/tensorflow/issues/833#issuecomment-278016198

$o' = s\left( {i - 1} \right) + k - 2p$

其中， $o'$為輸出尺寸 ， $i$為輸入尺寸， $k$為卷積核尺寸， $p$為padding尺寸。

但是，面臨的關鍵的問題是，儘管可以通過輸入計算出來，但是，在建立Graph的時候，輸出的尺寸通常為None。因此關鍵在於如何獲取輸入的尺寸，github上給出了答案，我這裡總結為(為了更靈活，這裡使用外部padding)

inputs = tf.pad(inputs, tf.constant([[0, 0], [padding_size, padding_size], [padding_size, padding_size ], [0, 0]]), mode='reflect'))
out_size = stride * (tf.shape(inputs)[1] - 1) + kernel_size - 2*padding_size
outputs = tf.nn.con2d_transpose(inputs, kernel, output_shape=[tf.shape(inputs)[0], out_size, out_size, tf.shape(inputs)[3]])

這樣就再也不用擔心使用tf.nn.con2d_transpose時沒有辦法指定output_shape了。
如有錯誤，請大家不寧賜教。