• input_tensor: 代表的是輸入的tensor，預設的size是[batch_size, w, h, channel]
• filter_weight_tensor: 代表卷積運算時filter引數的tensor，預設的size是[filter_size, filter_size, output_channel, in_channel]
• output_shape: 代表輸出的tensor的大小，是一個list[batch_size, output_w, output_h, output_channel]
• strides: 代表對應卷積操作的步長，[1, stride_w, stride_h, 1]
• padding: 補全的方式

那麼如何計算output shape呢？這裡我們把反捲積稱之為卷積操作的轉置。假設我們padding的方式是SAME，輸入影象的size是 wi,hi,ci $w_{}$

• $c_o$是取決於filter的個數。
• $w_o = w_i * s_w$
• $h_o = h_i * s_h$

• 這裡我們就疑惑了，為什麼步長設定大了，反而得到的輸出結果還變大了呢？

  • 從理解角度來說，因為我們這裡是將反捲積看作卷積的轉置，所以我們可以把stride看成對應卷積操作的步長。比如說，我們通過卷積操作將$w_o, h_o$變成了$w_i, h_i$，這裡的步長就是上述卷積操作的步長。
  • 從實現角度來講，我們知道反捲積的本質還是卷積，他其實是在影象內部插入了許多0點，從而實現了步長大於1的操作。如下圖所示,其中藍色框中間的點就是插入的0點。其實內部反捲積的步長還是1，但是對應的卷積的步長就是2了。
    

  反捲積和卷積的動畫

  • 每個反捲積操作都可以看成一個卷積操作的轉置，由於shape可以決定padding和stride的大小，我們的反捲積的padding 和stride大小和對應的卷積的padding和stride大小一致