PyTorch中ConvTranspose2d的输出维度计算公式是什么？

我完全理解你遇到的困惑——ConvTranspose2d的尺寸计算确实和普通Conv2d逻辑相反，刚开始很容易摸不清规律。其实官方文档里明确给出了计算公式，只是需要结合实际例子拆解才能明白，我帮你理清楚：

核心计算公式（无output_padding时） #

对于输入宽度为w（高度同理，假设输入是正方形）的特征图，经过nn.ConvTranspose2d后的输出宽度为：

output_w = (w - 1) * stride - 2 * padding + kernel_size

参数解释 #

• w：输入特征图的宽度/高度（你的例子中是5）
• stride：转置卷积的步长
• padding：注意！这里的padding不是在输入侧填充，而是在转置卷积生成的初始输出结果上裁剪边缘，所以增大padding会直接减小最终输出尺寸（这就是你发现添加padding反而缩小尺寸的原因）
• kernel_size：转置卷积核的大小

用你的例子逐一验证 #

我们用你给出的测试案例代入公式，看看是否完全匹配：

1. 输出11×11的情况
   输入w=5，kernel_size=3，stride=2，padding=0

   output_w = (5-1)*2 - 2*0 +3 = 4*2 +3 = 11
   

   和你的测试结果一致。

2. 输出7×7的情况
   输入w=5，kernel_size=3，stride=2，padding=2

   output_w = (5-1)*2 -2*2 +3 = 8 -4 +3 =7
   

   这里padding=2意味着从初始输出的上下左右各裁剪2个像素，所以尺寸大幅缩小，完全符合你的观察。

3. 输出13×13的情况
   输入w=5，kernel_size=5，stride=2，padding=0

   output_w = (5-1)*2 -0 +5 =8+5=13
   

   和测试结果一致。

4. 输出15×15的情况
   输入w=5，kernel_size=3，stride=3，padding=0

   output_w = (5-1)*3 -0 +3=12+3=15
   

   完全匹配你的测试结果。

补充：带output_padding的情况 #

如果你的代码中用到了output_padding参数（用来解决stride>1时的尺寸歧义），公式需要调整为：

output_w = (w -1)*stride -2*padding + kernel_size + output_padding

output_padding的取值范围通常是0到stride-1之间，用来微调输出尺寸，一般默认是0。

内容的提问来源于stack exchange，提问作者Matt