Keras中Conv2DTranspose运算逻辑解析：实例疑问求解

实验背景与问题 #

我是Keras/TensorFlow初学者，对Conv2DTranspose的基本作用有初步了解，但对其细节逻辑存在困惑。为此做了以下实验：

• 输入：5×5矩阵，仅中心元素为1，其余为0
• 卷积核：3×3，元素为1-9
• 参数：步长(2,2)，padding='same'

运行代码后，输出结果里卷积核右下角的9未出现，且1-8的位置和预期不符，以下是实验代码、输出及具体疑问：

实验代码 #

import numpy as np
import keras as keras 

X = np.asarray([[0, 0, 0, 0, 0],
                [0, 0, 0, 0, 0],
                [0, 0, 1, 0, 0],
                [0, 0, 0, 0, 0],
                [0, 0, 0, 0, 0]])
X = X.reshape((5, 5, 1))
model = keras.models.Sequential()
layer = keras.layers.Conv2DTranspose(1, (3,3), strides=(2,2), padding='same', input_shape=(5, 5, 1))
model.add(layer)
weights = [np.array([ [[[1]],[[2]],[[3]]],
                      [[[4]],[[5]],[[6]]],
                      [[[7]],[[8]],[[9]]]
                    ], dtype="float32"), 
           np.array([0.], dtype="float32")]
layer.set_weights(weights)
y = model.predict(X).reshape((10, 10))
print(y)

输出结果 #

[[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 1. 2.]
 [4. 5. 7. 8. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
 [0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]

疑问点 #

• 卷积核右下角的9未出现在输出结果中
• 输出中1-8的位置与源矩阵中1的相对位置不符合预期

问题解析 #

1. 为什么卷积核元素9没有出现在输出里？ #

Conv2DTranspose（转置卷积）的核心逻辑是：先对输入特征图进行上采样填充，再执行正向卷积。当设置padding='same'和strides=(2,2)时，输出尺寸固定为输入尺寸×步长（即5×2=10），但这个过程中会因输入尺寸为奇数、步长为偶数的组合，产生不对称的边界截断。

你的输入仅中心(2,2)位置（0-based）为1，它在转置卷积中对应输出的一个2×2区域（输入坐标(x,y)对应输出的(2x,2y)到(2x+1,2y+1)）。卷积核的右下角元素9对应卷积核索引(2,2)，按照转置卷积的位置计算规则，它应该映射到输出的2×2 +2 =6行、2×2 +2=6列的位置，但由于padding='same'的不对称填充逻辑，这个位置超出了有效计算范围，因此9的贡献被直接丢弃。

2. 为什么1-8的位置和预期不符？ #

这主要和两个关键点有关：

（1）转置卷积的位置映射规则

转置卷积中，输入元素(i,j)与卷积核元素(k,l)相乘后，输出位置的计算公式为：
output_row = i×strides[0] + k - padding_top
output_col = j×strides[1] + l - padding_left

当输入尺寸为奇数、步长为偶数时，padding='same'会采用不对称填充（左右/上下填充量不同），导致计算出的输出位置出现偏移。比如你看到的元素1出现在(4,8)，就是因为右侧填充量远大于左侧，列方向的位置计算被偏移。

（2）卷积核的维度顺序影响

TensorFlow中Conv2DTranspose的权重维度为(kernel_height, kernel_width, output_channels, input_channels)，你定义的卷积核元素顺序是行优先，但转置卷积的计算本质是正向卷积权重的转置，这会导致卷积核元素的映射方向和直观预期相反，进一步加剧位置的偏移感。

验证建议 #

如果把输入改成4×4（偶数尺寸），或者将步长改为1，你会看到卷积核的所有元素都能正常出现在输出中，且位置符合直观预期，这也能反向验证上述结论。

内容的提问来源于stack exchange，提问作者Benedikt R.