Python 如何在Keras中使用Conv2DTranspose获得与原始输入大小相同的层？

这是我的模型的摘要。

我的模型基本上类似于卷积网络

我希望无论输入的宽度如何，我的模型都能工作。因此，宽度大小显示为

None

我使用

conv2dtranpse

将解码器连接到我的模型上

然而，有一个问题

我希望

conv2dtranpse

的结果与输入的大小相同，但结果不一样

我将

stride

设置为

2

以减少参数数量，

padding

的模式是

相同的

，但当大小为奇数时，我发现了一个问题

以下函数用于

convecapsulelayer（自定义层）

中的卷积运算

我对解码器使用了

conv2dtranpse

，如下所示

recon_1 = layers.Conv2DTranspose(4, (5,5), strides=(2, 2), padding='same',  kernel_initializer='he_normal', name='decoder_1', activation='relu')(mask_layer)                
recon_2 = layers.Conv2DTranspose(8, (5,5), strides=(2, 2), padding='same',  kernel_initializer='he_normal', name='decoder_2', activation='relu')(recon_1)                
recon_3 = layers.Conv2DTranspose(1, (1,1), strides=(1, 1), padding='same',  kernel_initializer='he_normal', name='decoder_3', activation='linear')(recon_2)

然后我得到以下错误消息

InvalidArgumentError（回溯见上文）：不兼容的形状：[1200824,1]与[1200823,1]

---

当大小为奇数时，如何解决此差异

如果使用连续的下采样（由于步幅），然后使用反褶积（Conv2DTranspose）将大小乘以2（同样是du到步幅=2），则只能使用偶数尺寸

---

如果您必须使用奇数维输入，则必须使用填充或丢弃一行。如果使用连续下采样操作（步幅或最大池），也必须小心。在减少维度的每个操作之前，必须有一个维度是下采样因子的倍数。

我发现我可以使用

output\u padding

来设置输出形状。你能告诉我一些关于它的信息吗？我从哪里可以得到关于它的信息？在你可以看一看文档的末尾，有一个公式解释了

output\u shape

是如何受步长、内核大小、填充和输出填充的影响的。你还应该看看下面作为参考链接的两篇论文。

recon_1 = layers.Conv2DTranspose(4, (5,5), strides=(2, 2), padding='same',  kernel_initializer='he_normal', name='decoder_1', activation='relu')(mask_layer)                
recon_2 = layers.Conv2DTranspose(8, (5,5), strides=(2, 2), padding='same',  kernel_initializer='he_normal', name='decoder_2', activation='relu')(recon_1)                
recon_3 = layers.Conv2DTranspose(1, (1,1), strides=(1, 1), padding='same',  kernel_initializer='he_normal', name='decoder_3', activation='linear')(recon_2)