该层尚未准备好记录得很好，我在弄清楚如何使用它时遇到了一些麻烦。
我正在尝试类似的东西：
input_img = Input(shape=(1, h, w))
x = Convolution2D(16, 7, 7, activation='relu', border_mode='valid')(input_img)
d = Deconvolution2D(1, 7, 7, (None, 1, 2*h, 2*w))
x = d(x)
但是当我尝试写作时d.output_shape，我得到了图像的原始形状，而不是两倍大小（这是我所期望的）。
任何帮助将不胜感激！
简短回答：如果您希望输出真正是输入的两倍，则需要将 subsample=(2,2) 添加到 Deconvolution2D。
更长的答案：Deconvolution2D 严重无证，你必须通过它的代码来了解如何使用它。
首先，您必须了解反卷积层的工作原理（如果您已经了解所有细节，请跳过此部分）。反卷积，不像它的名字所暗示的那样，只是简单地将标准卷积层的反向传播（梯度计算方法）应用到反卷积层的输入上。反卷积层的“kernel size”其实就是上面提到的backprop step的虚拟卷积层的kernel size。虽然给定卷积核的大小及其步幅，但计算卷积层的输出形状很简单（假设没有填充它是（输入 - 内核）//步幅 + 1），但反之则不然。事实上，与卷积层的给定输出形状匹配的可能输入形状可能不止一种（这是因为整数除法不可逆）。这意味着对于反卷积层，输出形状不能简单地从输入形状（这是隐式已知的）、内核大小和步幅直接确定的——这就是为什么我们在初始化层时需要知道输出形状的原因。当然，由于反卷积层的定义方式，对于某些输入形状，您会在其输出中得到未定义的空洞，如果我们禁止这些情况，那么我们实际上可以推导出输出形状。
回到 Keras 以及如何实现上述内容。令人困惑的是， output_shape 参数实际上并没有用于确定层的输出形状，而是他们尝试从输入、内核大小和步幅中推断出它，同时假设只提供了有效的 output_shapes（尽管它没有在代码是这样的）。output_shape 本身仅用作反向传播步骤的输入。因此，您还必须指定步幅参数（Keras 中的子样本）以获得所需的结果（这可以由 Keras 根据给定的输入形状、输出形状和内核大小确定）。