搞明白了卷积网络中所谓deconv到底是个什么东西后，不写下来怕又忘记，根据参考资料，加上我自己的理解，记录在这篇博客里。

先来规范表达

• 为了方便理解，本文出现的举例情况都是2D矩阵卷积，卷积输入和核形状都为正方形，x和y轴方向的padding相同，stride也相同。
• 记号： 
   i,o,k,p,s<?XML:NAMESPACE PREFIX = "[default] http://www.w3.org/1998/Math/MathML" NS = "http://www.w3.org/1998/Math/MathML" /> i,o,k,p,s 分别表示：卷积/反卷积的输入大小 input size input size，卷积/反卷积输出大小 output size output size，卷积/反卷积核大小 kernel size kernel size， padding padding， stride stride 。
• 举例（如下左图）： 
  输入 X∈R(4,4) X∈R(4,4)矩阵，卷积核 w∈R(3,3)，padding=0，stride=1 w∈R(3,3)，padding=0，stride=1的情况下，卷积的输出 Y∈R(2,2) Y∈R(2,2)，就记为 i=4,o=2,k=3,p=0,s=1 i=4,o=2,k=3,p=0,s=1 。

推翻错误的理解

第一次看到deconv这个词，以为deconv的结果就是卷积的逆，觉得神奇，不禁产生了“哦？转置的卷积就可以求逆了吗？”这样的想法，然后在matlab里面实验求证，我还记得当时以为反卷积能够求逆，考虑到图片进行常规卷积操作输出大小又不可能变大（same/valid），于是我还假设反卷积输出大小不变，用了same padding和原核的转置作为反卷积配置，结果发现根本不是那么一回事好吗。 
其实DL中的deconv，是一种上采样过程，举个比方：输入 X∈R(4,4) X∈R(4,4)矩阵，卷积核 w∈R(3,3)，pad=0，stride=1 w∈R(3,3)，pad=0，stride=1的情况下（如下左图），卷积的输出 Y∈R(2,2) Y∈R(2,2)。对 Y Y进行deconv，它只能做到把还原输出大小到和 X X一样大，输出值和 X X有那么一点联系。 
所以啊deconv这个名字相当误导人呐！这在cs231n课程里也被吐槽过，大家现在更喜欢用transposed conv来表述反卷积。为了方便起见，后文就用反卷积这个词了。

第二个容易confused的地方，就是很多文章都说卷积核的转置就可以求反卷积，又陷入迷茫“就算把卷积核转置（或者左右翻转上下翻转），卷积后输出还是越来越小（或不变，至少不会增大）啊”……直到看到文献和相应的这个动画（其他动画在github-convolution arithmetic1）

卷积  i=4,k=3,p=0,s=1,则 o=2 i=4,k=3,p=0,s=1,则 o=2	反卷积 i=2,k=3,p=0,s=1,则 o=4 i=2,k=3,p=0,s=1,则 o=4

注意图中蓝色（下面）是输入，绿色（上面）是输出，卷积和反卷积在 p、s、k  p、s、k 等参数一样时，是相当于 i i 和 o o 调了个位。 
这里说明了反卷积的时候，是有补0的，即使人家管这叫no padding（ p=0 p=0），这是因为卷积的时候从蓝色 4×4 4×4 缩小为绿色 2×2 2×2，所以对应的 p=0 p=0 反卷积应该从蓝色 2×2 2×2 扩展成绿色 4×4 4×4。而且转置并不是指这个 3×3 3×3 的核 w w 变为 wT wT，但如果将卷积计算写成矩阵乘法（在程序中，为了提高卷积操作的效率，就可以这么干，比如tensorflow中就是这种实现）， Y⃗ =CX⃗  Y→=CX→（其中 Y⃗  Y→ 表示将 Y⃗  Y→ 拉成一维向量， X⃗  X→ 同理），那么反卷积确实可以表示为 CTY⃗  CTY→，而这样的矩阵乘法，恰恰等于 w w 左右翻转再上下翻转后与补0的 Y Y卷积的情况。

然后就产生了第三个confuse：“补0了会不会有影响，还能通过反卷积近似输入 X X 吗？”其实反卷积也不一定能达到近似的效果，图像里的卷积，相当于一种相关操作，而反卷积维持了这种相关操作时的 w w 与 X X、与 Y Y 之间的联系维持了。至于补0后操作是否还等价，上一段已经说明了是等价的，读者可以在阅读完后面的文章后自己尝试一下。

反卷积以及反向传播的过程

卷积和反卷积的过程在arXiv-A guide to convolution arithmetic for deep learning2写的非常详细，还有很多例子便于理解，在这里我就截图出重点来（ps.文中的figure2.1就是上图的左边）。剩下的例子请大家多看看原文，最好自己动手算一下，我也贴个我算的过程（ Ci Ci 表示矩阵 C C 的第 i i 行），供参考。 
关于反向传播， 知乎-如何理解深度学习中的deconvolution networks3有详细的推导过程。