【深度学习】反卷积（transposed convolution）介绍
反卷积与卷积
反卷积，顾名思义是卷积操作的逆向操作。
为了方便理解，假设卷积前为图片，卷积后为图片的特征。
卷积，输入图片，输出图片的特征，理论依据是统计不变性中的平移不变性（translation invariance），起到降维的作用。如下动图：
反卷积，输入图片的特征，输出图片，起到还原的作用。如下动图：
我们知道卷积结合池化的降维作用，将神经网络推向深度学习，开启神经网络的新世界，那么反卷积的作用呢？
反卷积的作用
反卷积崭露头角于“Unsupervised Representations Learning With Deep Convolutional Generative Adversarial Networks”，这篇论文主要工作就是用GANs生成图片，其中的generator和discriminator均采用深度学习，generator生成图片过程中采用的就是反卷积操作（当然discriminator采用卷积对generator生成的图片判别真伪）。generator生成图片示意：
反卷积的类型
-
一般类型：
输入：2*2
计算过程：2+2*2-3+1
输出：4 -
fractionally-strided convolution：
输入：3*3
计算过程：3+4-3+1
输出：5
fractionally-strided，小数步数，体现在往间隙padding，名义上stride=1，但实际作用却是小于1！
Tensorflow中反卷积的实现
tf.nn.conv2d_transpose(value, filter, output_shape, strides, padding=’SAME’, data_format=’NHWC’, name=None)
参数解释：
value:[batch,in_height,in_width,in_channels]
filter:[batch,k_width,out_channels,in_channels]
output_shape:[batch,output_height,output_width,output_channels]
strides:对应在每一维的移动步数