一步一步解釋逆卷積：

上圖中影象大小為2x2，卷積核大小（kernel size）為3x3, 步長（strides）為2，填充（padding）1；

那麼逆卷積操作：

將原始影象的一個畫素乘上卷積窗，移動一個步長，將重疊的區域作疊加運算。

注意的是：

在卷積中，卷積核大小隻影響視野大小，與特徵的提取的細膩程度有關係；

而步長決定了卷積後的空間解析度，而輸出通道數決定卷積核的數量。

相反在逆卷積中同樣是個道理。步長決定了卷積後的空間解析度。

因此上述步長為2，相當於原始影象擴大了2倍。但是未經修剪的卷積之後的影象大小為5x5（k+s(N-1)=3+2*(2-1)=5），

在Tensorflow上驗證：

import tensorflow as tf
import numpy as np

def test_conv2d_transpose():
    # input batch shape = (1, 2, 2, 1) -> (batch_size, height, width, channels) - 2x2x1 image in batch of 1
    x = tf.constant(np.array([[
        [[1], [2]], 
        [[3], [4]]
    ]]), tf.float32)

    # shape = (3, 3, 1, 1) -> (height, width, input_channels, output_channels) - 3x3x1 filter
    f = tf.constant(np.array([
        [[[1]], [[1]], [[1]]], 
        [[[1]], [[1]], [[1]]], 
        [[[1]], [[1]], [[1]]]
    ]), tf.float32)

    conv = tf.nn.conv2d_transpose(x, f, output_shape=(1, 4, 4, 1), strides=[1, 2, 2, 1], padding='SAME')

    with tf.Session() as session:
        result = session.run(conv)

    assert (np.array([[
        [[1.0], [1.0],  [3.0], [2.0]],
        [[1.0], [1.0],  [3.0], [2.0]],
        [[4.0], [4.0], [10.0], [6.0]],
        [[3.0], [3.0],  [7.0], [4.0]]]]) == result).all()
 

動圖來自於這裡：[conv_arithmetic](https://github.com/DreamPurchaseZnz/Tensorflow_Learning)

上面的例子中原因在於stride=2