转置卷积（也叫反卷积、上采样卷积）是卷积神经网络中常用的操作，尤其在生成模型（如生成对抗网络、U-Net）中用于增加特征图的空间维度。
简单地说，转置卷积是通过插值和卷积操作将较小的输入张量“放大”，生成一个更大的输出张量。
输出尺寸计算公式：
H_in和W_in是输入特征图的高和宽。K_h和K_w是卷积核的高和宽。S是步幅。P是填充。O_p是输出填充。
| 特性 | 转置卷积 (ConvTranspose2d) |
Upsample / interpolate |
| 方法类型 | 学习型方法，通过训练卷积核 | 非学习型方法，基于插值规则 |
| 实现原理 | 插值 + 卷积 | 仅插值，常见插值方法包括最近邻、双线性等 |
| 训练过程 | 卷积核是可训练的，网络通过学习来优化上采样的效果 | 不涉及训练，插值固定 |
| 输出的质量 | 生成更自然、更细致的上采样图像，适合生成任务 | 输出图像质量与插值方法有关，可能没有转置卷积细致 |
| 计算速度 | 较慢，涉及卷积操作和反向传播 | 非常快，直接通过插值进行上采样 |
| 应用场景 | GAN、U-Net、图像生成等生成任务 | 图像放大、简单的上采样任务 |
实例：
import torch
import torch.nn as nn
# 转置卷积层，包含额外的输出填充
conv_transpose = nn.ConvTranspose2d(in_channels=1, out_channels=1, kernel_size=3, stride=2, padding=1, output_padding=1)
# 输入图像：1x1x4x4
input_tensor = torch.tensor([[[[1.0, 2.0, 3.0, 4.0],
[5.0, 6.0, 7.0, 8.0],
[9.0, 10.0, 11.0, 12.0],
[13.0, 14.0, 15.0, 16.0]]]], dtype=torch.float32)
# 应用转置卷积
output_tensor = conv_transpose(input_tensor)
# 输出张量的形状
print(f"Input shape: {input_tensor.shape}")
print(f"Output shape after ConvTranspose2d: {output_tensor.shape}")
输出：
Input shape: torch.Size([1, 1, 4, 4])
Output shape after ConvTranspose2d: torch.Size([1, 1, 8, 8])
深入理解原理：转置卷积（Transposed Convolution）-CSDN博客
视频讲解：