逆卷积，也叫反卷积或者转置卷积，作用是对图像进行上采样。
参考链接中的文章对形状变化的公式做了较为详细的描述，这里简单使用一个例子来演示数据变换过程。
假如输入数据(也叫原始数据）形状为 H x W, H = W.
大概的流程可以描述为
正常卷积在运算时，会由于一些取整操作导致输入图像不同，但是最后生成的图像相同。
而反卷积在进行逆运算时，也会出现类似的情况。理想情况下希望 输出的图像尺寸/输入图像尺寸 = stride。
要完全达成这个目的，就通过在最后的形状上的一边添加 output_padding 完成。
h = w = 2
stride = 2
p = 0
kernel_size = 3
原始数据：
内部变换：
stride >1,
当卷积时设置的stride>1时，将对输入的特征图y进行插值操作(interpolation)。
即需要在输入的特征图y的每个相邻值之间插入(stride-1)行和列0，因为特征图中能够插入的相邻位置有(height-1)个位置，所以此时得到的特征图的大小由
H
o
u
t
×
H
o
u
t
Hout \times Hout
Hout×Hout(Hout即height) 变为新的
H
o
u
t
n
e
w
×
H
o
u
t
n
e
w
Hout_new\times Hout_new
Houtnew×Houtnew，即
[
H
o
u
t
+
(
s
t
r
i
d
e
−
1
)
×
(
H
o
u
t
−
1
)
]
×
[
H
o
u
t
+
(
s
t
r
i
d
e
−
1
)
×
(
H
o
u
t
−
1
)
]
[Hout + (stride-1) \times (Hout-1)] \times [Hout + (stride-1) \times (Hout-1)]
[Hout+(stride−1)×(Hout−1)]×[Hout+(stride−1)×(Hout−1)]
外部变换：
为了实现由
H
o
u
t
×
H
o
u
t
Hout \times Hout
Hout×Hout 大小的y逆卷积得到
H
i
n
×
H
i
n
Hin \times Hin
Hin×Hin大小的x，还需要设置padding_new的值为(kernel_size - padding - 1),这里的padding是卷积操作时设置的padding值
然后在这个变换好的图上进行 kernel_size=3, padding =0, stride =1 的正常卷积可以得到最终结果
按照卷积的变换公式计算得到
(w + 2p - kernel_size)/s +1 = (7 - 3) +1 = 5.
也就是得到 5x5 的数据。
