nn.ConvTranspose2d的参数output_padd

原文：nn.ConvTranspose2d的参数output_padding的作用

same卷积操作：
是通过padding使得卷积之后输出的特征图大小保持不变(相对于输入特征图)，不代表得到的输出特征图的大小与输入特征图的大小完全相同，<u>而是</u>他们之间的比例保持为 输入特征图大小/输出特征图大小 = stride

举例：

比如输入特征图为6*6，stride=2, kernel_size = 3, 进行same padding得到输出特征图为3*3 (6 / 2 = 3)

如果输入特征图为5*5，stride=2，kernel_size = 3,进行same padding，那么也会得到输出特征图为3*3

那么这样的情况就会导致在逆卷积时出现一个问题。

不同大小的图片经过卷积运算能得到相同尺寸的输出，那么作为逆运算，同样的一张输入图像经过反卷积是否会有不同尺寸的合法输出？这样的话就存在争议了

上面还只是进行same卷积的情况，如果考虑valid卷积，stride=2, kernel_size = 3，padding=0时，输入特征图为7*7和8*8的结果也是3*3

解决争议的办法就是使用output_padding参数

output_padding的作用是：
当stride > 1时，Conv2d将多个输入形状映射到相同的输出形状。output_padding通过在一边有效地增加计算出的输出形状来解决这种模糊性。

首先我们要认同一个前提：

大多数情况下我们都希望经过卷积/反卷积处理后的图像尺寸比例与步长相等，即输入特征图大小/输出特征图大小 = stride，也就是same模式。

所以我们只要通过添加output_padding这一参数来使得结果满足这一前提，那么输出的图片的大小就能够保证为输入图片*stride的大小,而不是任意可能的大小

实现办法：

因为pytorch将参数padding（注意与output_padding区别）建议设置为(kernel_size - 1)/2，由式子padding= kernel - 1 - padding转换而来

那么根据式子：

当我们希望得到输入特征图大小/输出特征图大小 = stride的话，代入上面的式子能够得到结果：

所以为了让padding = (kernel_size - 1)/2，则output_padding应该取值为stride - 1，这样就能够满足输入特征图大小/输出特征图大小 = stride

当然，你可以取别的值，这并不会影响到逆卷积的计算，但是在后面进行有关大小的操作时就很可能出现问题，因为输出的图片的大小并不能保证是 输入图片*stride的大小，可能是任意正确的大小，如上面举的例子，可能是7*7或8*8等