反卷積（deconvolution）不是數字訊號處理裡面的意義，在深度學習裡面應該叫做轉置卷積（transposed convolution）又名微步卷積（fractionally strided convolutions），也有叫backward strided convolution ，upconvoution, upsample convolution。主要從以下幾個方面理解：
從概念上理解
轉置卷積其實也是一種卷積。總是可以用卷積層來模擬飯卷積層，但是缺點就是需要在行列進行補零，導致不是乙個有效的計算介面。
從資料角度解釋
在卷積網路裡面，我們是通過卷積層操作，獲得feature map，然而對於反卷積層，則是通過feature map的卷積操作，輸出value，這輸出值是我們期待的影象的值。有點像通過反卷積還原feature map到原始影象。
從卷積公式角度理解
要理解反卷積的公式，就需要理解卷積的矩陣表達從而得到轉置的含義。舉個例子：
輸入的feature map4*4，卷積核3*3.步長為1，不填充。那麼輸出的大小為2*2.在進行計算時，為了可以使用矩陣進行計算，將輸入x拉成16*1維向量，輸出y拉成4*1維向量，那麼
卷積運算可表示為
c矩陣可以寫成：
我們在計算一下反向傳播下的公式，
可以發現卷積層時，正向和反向分別乘以c和ct。反卷積就是正向和反向分別乘以ct和c。
視覺化角度
作用角度上講
有一種將輸入的size變大的意思，一次一般情況下，輸出的維度要大於輸入的維度。雖然是想還原輸入，但實際上是無法還原輸入的，反卷積的權重也式可以進行學習得到。
應用層面
可以進行視覺化操作，將feature map視覺化，看到底學習到了什麼。
在對抗神經網路中有應用，這方面不熟悉。
在超解析度成像中，fsrcnn中最後一層使用deconv，可以還原到不同尺度的解析度影象，類似於對影象進行縮放。
參考：
反卷積 轉置卷積
搞明白了卷積網路中所謂deconv到底是個什麼東西後，不寫下來怕又忘記，根據參考資料，加上我自己的理解，記錄在這篇部落格裡。第一次看到deconv這個詞，以為deconv的結果就是卷積的逆，覺得神奇，不禁產生了 哦？轉置的卷積就可以求逆了嗎？這樣的想法，然後在matlab裡面實驗求證，我還記得當時以...
轉置卷積 反卷積
借鑑於此個部落格，寫的非常好 轉置卷積 transposed convolution 也叫做反卷積 deconvolution pytorch中可以使用torch.nn.convtranspose2d 來呼叫，caffe中對應的轉置卷積層為deconv layer 作用 在 中用於對影象上取樣。操作...
反卷積（轉置卷積）的理解
參考 開啟鏈結 就是這個圖啦，其中藍色部分是輸入的feature map，然後有3 3的卷積核在上面以步長為2的速度滑動，可以看到周圍還加里一圈padding，用更標準化的引數方式來描述這個過程 二維的離散卷積 n 2 方形的特徵輸入 i i i 方形的卷積核尺寸 k k k 每個維度相同的步長 s...