一、卷积操作：
假设cnn中某一层：
输入特征图：H*H，
卷积核：k*k，
步长stride：s，
padding：p
那么经过这层卷积之后特征图大小：（H-k+2*p）/ s + 1
二、Transposed convolution（逆卷积）
逆卷积先根据输入H，k，s，p 得到相应的H'，k'，s'，p'，然后执行和卷积一样的变化。例如：
逆卷积输入： 变化后：
特征图：H*H 特征图：H’ * H' (H' = H + (s-1)*(H-1)，对应差值操作，在相邻行、列之间插入（s-1）零)
卷积核：k*k 卷积核：k' * k' (k' = k，卷积核大小不变)
步长stride：s 步长stride：s' (s' = 1，不管之前s是多少，s'永远都是1)
padding：p padding：p' (p' = k - p - 1)
三、具体例子
特征图：5 * 5 * 1
定义一层卷积 conv1：nn.Conv2d(1，16，kernel_size=(3,3)，stride=(2,2)，padding=(1,1))
特征图经过conv1之后变成：3 * 3 * 16
那么逆卷积就是将 3*3*16 变回 5*5*1 的特征图
定义逆卷积 t_conv1：nn.ConvTranspose2d(16，1，kernel_size=(3,3)，stride=(2,2)，padding=(1,1))
注意：逆卷积层的定义与紧邻的卷积的kernel_size，stride，padding相同，通道正好相反
ConvTranspose2d内部实现（对照上面的逆卷积）：
逆卷积输入： 变换后： 逆卷积操作:（5-3+2*1）/ 1 + 1 = 5 也就是3*3转换成5*5
特征图：3*3 特征图：5*5 （5 = 3+(2-1)*(3-1)）
卷积核：3*3 卷积核：3*3
步长stride：2 步长stride：1
padding：1 padding：1 （1 = 3-1-1）
带outpadding的计算：公式
详解outpadding