我已经看到了两种从可靠来源可视化转置卷积的方法，据我所知它们是冲突的。
我的问题归结为，对于内核的每个应用程序，我们是从3x3具有输入填充的许多（例如）元素变为一个，还是从一个元素变为多个（例如3x3）？
相关问题：tf.nn.conv2d_transpose实现了哪个版本？
我困惑的根源是：
深度学习的卷积算法指南可能是最有名的可视化，但它没有经过同行评审 (Arxiv)。
第二个来自Deconvolution 和 Checkerboard Artifacts，在技术上也没有经过同行评审（Distil），但它来自一个更有信誉的来源。（文中使用了反卷积这个词，但说明这和transposed conv是一样的。）
由于这个问题的性质，很难在网上寻找结果，例如这个SO帖子占据了第一位，但我不确定我能在多大程度上信任它。
我想再强调一点 Littleone 在上一段中也提到的内容：
转置卷积将反转具有相同参数的常规卷积的空间变换。
如果您执行常规卷积，然后执行转置卷积，并且两者都具有相同的设置（内核大小、填充、步幅），那么输入和输出将具有相同的形状。这使得使用它们构建编码器-解码器网络变得非常容易。我在这里写了一篇关于深度学习中不同类型卷积的文章，其中也涉及到了这一点。
PS：请不要称之为反卷积
跨步卷积、反卷积、转置卷积都具有相同的含义。这两篇论文都是正确的，你不必怀疑，因为它们都被大量引用。但是蒸馏图像是从不同的角度来看的，因为它试图显示伪影问题。
第一个可视化是步幅为 2 和填充为 1 的转置卷积。如果步幅为 1，则输入之间不会有任何填充。边界上的填充取决于输出的尺寸。
通过反卷积，我们通常从较小的维度进入更高的维度。并且输入数据通常被填充以实现所需的输出尺寸。我相信混乱是由填充模式引起的。看看这个公式
output = [(input-1)stride]+kernel_size-2*padding_of_output
它是对一般卷积输出公式的重新排列。这里的输出是指反卷积操作的输出。为了更好地理解反卷积，我建议从方程的角度来思考，即翻转卷积的作用。它问我如何反转卷积操作的作用？
希望有帮助。
Justin Johnson（斯坦福 cs231n mooc 的一部分）的很好解释：
https://youtu.be/ByjaPdWXKJ4?t=1221（20:21开始）
他回顾了跨步卷积，然后解释了转置卷积。
