我正在使用具有tensorflow的keras，有时我想将Conv2DTranspose()（即错误地称为反卷积）应用于图层，以便将其添加到具有大约两倍大小的另一图层中。
为了更具体地解决这个问题，我正在使用Single Shot Detector，并且我想添加conv3_3和conv4_3层，它们在我的网络（这是自定义层）中具有以下尺寸：< / p>
conv3_3: 75, 155, x
conv4_3: 38, 78, 2*x
所以当我申请时：
conv4_3_trans = Conv2DTranspose(filters=filters[2], kernel_size=(2, 2), strides=(2, 2), padding='same', name='conv4_3_deconv')(conv4_3)
给出一个尺寸为76, 156, x的图层作为输出，显然每个尺寸都相差1个像素。因此，口译人员自然在抱怨它。我已经在here中检查了解决方案，但是那里的OP对获取具有特定尺寸的图层不感兴趣。
如果我使用kernel_size参数，例如kernel_size=(1, 1)不会更改输出（与76, 156, x相同）。同样，padding='same'或padding='valid'的结果也相同。
所以，我想知道是否有任何方法可以使用keras代码控制我的输出？有什么我可以用来获取所需输出的东西吗？
我发现的一种解决方案（会使代码其他部分的结果变得更加复杂）是使用稍大的图像作为原始输入：我可以使用{{而不是图像(620, 300) 1}}，经过2个缩减后，它们将得到偶数，而(624, 304)将得到相同的尺寸。也许也可以使用Conv2DTranspose()，但我对UpSampling2D()感兴趣，以便拥有可训练的参数。