这一层尚未准备好记录在案，我在确定如何使用它时遇到了一些麻烦。
我正在尝试类似的东西：
input_img = Input(shape=(1, h, w))
x = Convolution2D(16, 7, 7, activation='relu', border_mode='valid')(input_img)
d = Deconvolution2D(1, 7, 7, (None, 1, 2*h, 2*w))
x = d(x)
但是当我尝试写d.output_shape时，我得到图像的原始形状而不是那个尺寸的两倍（这正是我所期待的）。
任何帮助将不胜感激！
答案 0 :(得分：8)
简短回答：如果您希望输出真正是输入的两倍，则需要将子样本=（2,2）添加到Deconvolution2D。
更长的答案：Deconvolution2D严重无证，您必须通过其代码才能了解如何使用它。
首先，您必须了解解卷积层的工作原理（如果您已经了解所有细节，请跳过此处）。与其名称所暗示的不同，解卷积仅仅是在反卷积层的输入上应用标准卷积层的反向预测（梯度计算方法）。去卷积层的“内核大小”实际上是上述后向支撑步骤的虚拟卷积层的内核大小。虽然给出了卷积核的大小及其步幅，但是计算卷积层的输出形状是直截了当的（假设没有填充它（输入 - 内核）// stride + 1），但反之则不然。实际上，可以有多个可能的输入形状与卷积层的给定输出形状相匹配（这是因为整数除法不可逆）。这意味着对于反卷积层，输出形状不能直接由输入形状（隐式已知），内核大小和步幅直接确定 - 这就是我们在初始化图层时需要知道输出形状的原因。当然，由于定义了反卷积层的方式，对于某些输入形状，你会在输出中得到未定义的漏洞，如果我们禁止这些情况，那么我们实际上可以推断输出形状
回到Keras以及如何实现上述内容。令人困惑的是，output_shape参数实际上并不用于确定图层的输出形状，而是尝试从输入，内核大小和步幅推导出它，同时假设只提供了有效的output_shapes（尽管未在代码是这样的）。 output_shape本身仅用作backprop步骤的输入。因此，您还必须指定stride参数（Keras中的子样本）以获得所需的结果（可以由Keras根据给定的输入形状，输出形状和内核大小确定）。