二：转置卷积（Transposed Convolution）
转置卷积不是卷积的逆运算，它也是卷积的一种形式，用于将特征图的大小恢复到输入图像的大小。
- 特征图的上采样：在生成模型（如生成对抗网络GANs）或者语义分割任务中，我们需要将低分辨率的特征图转换成高分辨率的特征图。
- 卷积层的反向传播：在神经网络中，转置卷积可以用于计算卷积层的反向传播。
上采样（Upsampling）：目的是增加数据的分辨率或尺寸。在图像处理中，上采样通常用于提高图像的像素密度，从而生成更清晰的图像。
第一个通过3x3的卷积，尺寸由4x4变为2x2。但是第二个通过转置卷积使尺寸变大。
s是步长，p是padding，k是卷积核尺寸。
利用公式就可以得出转置卷积以后得出的输出大小。
完整公式。
dilation膨胀卷积：是在卷积核的元素之间插入额外的空间，这些空间用零填充。膨胀率（Dilation Rate）定义了卷积核元素之间的间隔大小。膨胀率大于1意味着在卷积核的元素之间有“空洞”。
假设有一个3x3的卷积核，膨胀率为1时，卷积核的元素是连续的，默认也是1。如果将膨胀率增加到2，卷积核的元素之间将有一个“空洞”，实际上相当于使用了一个5x5的卷积核，但参数数量仍然和3x3的卷积核相同。
输出填充（Output Padding）：是指在卷积操作的输出特征图上添加额外的边界层，这些层通常由零填充组成。输出填充的主要目的是控制卷积操作的输出尺寸。默认是0
正常卷积得到输出结果。
不能由C与O得到I，因为C不是方阵没有逆矩阵。但可以通过乘以C的转置矩阵得到和I大小相同的矩阵。1x4乘4x16=1x16。
一列生成一个小矩阵。
所以可以根据输入I反推得出转置卷积的卷积核。
转置卷积不是逆卷积，只能得到大小相同的输出。
标签：输出,转置,膨胀率,wz2,卷积,尺寸,矩阵 From： https://blog.csdn.net/m0_52843013/article/details/142903160