轉置卷積其實就相當於正常卷積的反向傳播。

考慮一個輸入為x=4x4，卷積核為w=3x3，步長為stride=1，zero-padding=0

將卷積核展開為一個稀疏矩陣C：

做卷積可得2x2的輸出y，C*x=y。如下圖所示：

那麼怎麼得到轉置卷積呢。正如我們上面說的轉置卷積其實就相當於正常卷積的反向傳播。

再對上式求輸入x的梯度：

我們可以發現，在反向傳播過程中梯度從高層傳向底層，正好是來自高層的梯度左乘C^T。所以我們要從2x2的輸入y得到4x4的輸出，只要：C^T*y。

但是要注意的一點，轉置卷積只是恢復了其形狀，並未對其值進行恢復，這也是為什麼將其稱為反捲積不合適的原因了。

其實在

另一種實現轉置卷積操作的方法是對輸入的feature map進行zero-padding，在進行正常的卷積操作就可以實現轉置卷積：

但是這種操作相對於上面一種有一個缺點，對一個map進行轉置卷積往往需要對其進行很多行和列的padding，所以效率相對較低。

最後需要注意的，轉置卷積和訊號處理中的反捲積是有差別，並不是卷積的反操作。

如果你不理解轉置卷積，你可以這樣去設定引數，比如，現在你需要從一個nxn的map轉置卷積到一個mxm的map，你不知道怎麼設定它的卷積核大小，padding和strides，這個時候你可以反過來考慮怎麼從mxm

參考資料：A guide to convolution arithmetic for deep learning

https://www.zhihu.com/question/43609045?rf=53910187