Python Conv2D使用公式转换输出形状

我使用如下所示的转置层获得

[-1256256,3]

作为输出形状。我打印输出形状。我的问题是关于高度和宽度的，两者都是

256

。通道似乎是我代码中最后一个转置层的过滤器数量

我相当简单地假设公式是这样的。我读了其他的帖子

H = (H1 - 1)*stride + HF - 2*padding

但当我计算时，我似乎没有得到那个输出。我想我可能错过了填充计算

'SAME'

添加了多少填充

我的密码是这个

linear=tf.layers.density（z，512*8*8）
线性=tf.contrib.layers.batch_范数（线性，is_训练=is_训练，衰减=0.88）
conv=tf.重塑（线性，（-1128128，1））
out=tf.layers.conv2d_转置（conv，64，内核大小=4，步幅=2，padding='SAME'）
out=tf.layers.dropout（out，keep_prob）
out=tf.contrib.layers.batch\u norm（out，is\u training=is\u training，decage=0.88）
out=tf.nn.leaky_relu（out）
out=tf.layers.conv2d_转置（out，128，内核大小=4，步幅=1，padding='SAME'）
out=tf.layers.dropout（out，keep_prob）
out=tf.contrib.layers.batch\u norm（out，is\u training=is\u training，decage=0.88）
out=tf.layers.conv2d_转置（out，3，内核大小=4，步幅=1，padding='SAME'）
打印（out.get_shape（））

关于

'SAME'

填充，文档提供了一些详细的解释（在这些说明中有更多详细信息）。特别是，当使用

'SAME'

填充时，输出形状的定义如下：

在这种情况下，输出形状仅取决于输入形状和步幅。填充大小从那里计算出来，以满足此形状要求（而使用

'VALID'

填充时，输出形状取决于填充大小）

现在是转置卷积。。。由于此操作是正常卷积（其梯度）的后向对应，这意味着正常卷积的输出形状对应于其对应转置操作的输入形状。换句话说，

tf.layers.conv2d（）

的输出形状除以步幅，输出形状 将

tf.layers.conv2d\u transpose（）

的

# for `tf.layers.conv2d_transpose()` with `SAME` padding:
out_height = in_height * strides[1]
out_width  = in_width * strides[2]

但是，再次计算填充大小以获得此输出形状，而不是反过来（对于

相同的
填充）。由于这些值之间的正常关系（即您发现的关系）是：

重新排列我们得到的方程式

padding_height = [strides[1] * (in_height - 1) + kernel_size[0] - out_height] / 2
padding_width  = [[strides[2] * (in_width - 1) + kernel_size[1] - out_width] / 2

注意：如果例如
2*padding\u height
为奇数，则
padding\u height\u top=地板（padding\u height）
；和
padding\u height\u bottom=ceil（padding\u height）
（分别为
padding\u width
、
padding\u width\u left
和
padding\u width\u right）

用表达式替换
out\u height
和
out\u width
，并使用您的值（对于第一次转置卷积）：

因此，在数据的每一侧都添加了
1
的填充，以便获得输出dim
out\u dim=in\u dim*stride=strips*（in\u dim-1）+kernel\u size-2*填充=256
我根据@Aldream的答案为自己绘制了一张图表。也许有助于形象化。希望我没弄错。但我必须研究如何以及在何处使用这种填充物来获得最终的形状

让我计算代码。至少有一条线误导了我。编辑了这个问题。我不知道它都在文档中。我试图进一步澄清我的答案。希望有帮助。跨步*（在尺寸-1）+内核大小-2*填充=256你能用值替换这个吗？我昨天去了fast，在
填充高度
和
填充宽度
的方程式中犯了一个错误，我的错。现在它被更正了，在您的案例中，finally
padding=1
。因此，我们正确地得到了
out\u dim=strips*（in\u dim-1）+kernel\u size-2*padding=2*（128-1）+4-2*1=256
。对于接下来的两个转置，这个形状（256）不会改变。你是说？
# for `tf.layers.conv2d_transpose()` with given padding:
out_height = strides[1] * (in_height - 1) + kernel_size[0] - 2 * padding_height
out_width  = strides[2] * (in_width - 1) + kernel_size[1] - 2 * padding_width

padding_height = [strides[1] * (in_height - 1) + kernel_size[0] - out_height] / 2
padding_width  = [[strides[2] * (in_width - 1) + kernel_size[1] - out_width] / 2

padding = [2 * (128 - 1) + 4 - (128 * 2)] / 2 = 1