nn.ConvTranspose2d(in_channels, out_channels, kernel_size=2, stride=2)
nn.ConvTranspose2d 是 PyTorch 中的转置卷积（Transposed Convolution）层，也称为反卷积（Deconvolution）或分数步长卷积（Fractionally Strided Convolution）。它的主要作用是上采样（Upsampling），即将输入特征图的尺寸放大，常用于图像分割（如U-Net）、生成对抗网络（GAN）等任务。
1. 核心参数
nn.ConvTranspose2d(
in_channels, # 输入通道数
out_channels, # 输出通道数
kernel_size=2, # 卷积核大小（默认2）
stride=2, # 步长（默认2）
padding=0, # 填充（默认0）
output_padding=0, # 输出填充（默认0）
bias=True # 是否使用偏置项
)2. 工作原理
(1) 数学公式
转置卷积的输出尺寸计算公式：
当
kernel_size=2, stride=2, padding=0时：
输入尺寸放大2倍（如
(64,64)→(128,128)）。
(2) 计算过程示例
假设输入为 1x1x3x3（(batch, channel, height, width)），kernel_size=2, stride=2：
输入：
3x3的特征图。操作：
在每个像素间插入
stride-1=1个零（间隔填充）。用
2x2的卷积核滑动计算。
输出：
6x6的特征图（放大2倍）。
图示：
输入 (3x3) 插零后 (5x5) 卷积输出 (6x6)
1 2 3 1 0 2 0 3 a b c d e f
4 5 6 → 0 0 0 0 0 → g h i j k l
7 8 9 4 0 5 0 6 m n o p q r
0 0 0 0 0 s t u v w x
7 0 8 0 9 y z A B C D（实际输出值取决于卷积核权重。）
3. 主要用途
上采样（Upsampling）：
替代
nn.Upsample，可学习的放大方式（比插值更灵活）。例如：在U-Net中恢复特征图分辨率。
生成高分辨率图像：
GAN中的生成器（如DCGAN）用转置卷积从噪声生成图像。
低维特征映射到高维空间：
自编码器（Autoencoder）的解码部分。
4. 与普通卷积的区别
5. 参数选择建议
放大倍数：
若需放大2倍，用
kernel_size=2, stride=2。若需放大4倍，可以堆叠两个转置卷积层。
避免棋盘伪影（Checkerboard Artifacts）：
问题：当
kernel_size不能被stride整除时，输出可能出现棋盘状不均匀。解决：改用
kernel_size=4, stride=2, padding=1或nn.Upsample + nn.Conv2d。
输出尺寸控制：
用
output_padding调整尺寸（当stride > 1时可能需要）。
6. 代码示例
(1) 基础用法
import torch
import torch.nn as nn
# 定义转置卷积层
deconv = nn.ConvTranspose2d(
in_channels=64,
out_channels=32,
kernel_size=2,
stride=2
)
# 输入：(batch, channels, height, width)
x = torch.randn(1, 64, 32, 32) # 1x64x32x32
output = deconv(x) # 输出：1x32x64x64
print(output.shape) # torch.Size([1, 32, 64, 64])(2) 与普通卷积对比
# 普通卷积（下采样）
conv = nn.Conv2d(64, 32, kernel_size=3, stride=2, padding=1)
y = conv(x) # 1x64x32x32 → 1x32x16x16
# 转置卷积（上采样）
deconv = nn.ConvTranspose2d(32, 64, kernel_size=2, stride=2)
z = deconv(y) # 1x32x16x16 → 1x64x32x327. 总结
功能：
nn.ConvTranspose2d通过插零和卷积实现上采样。典型参数：
kernel_size=2, stride=2可放大2倍。应用场景：图像分割、GAN、自编码器等需要放大特征图的模型。
注意事项：避免棋盘伪影，合理选择
kernel_size和stride。