反卷积现在的应用非常广泛，从各种 GAN 再到其他，所以，深刻的理解反卷积的操作是非常重要的。
参考资料
什么是反卷积?
上采样(Upsample)
在应用在计算机视觉的深度学习领域，由于输入图像通过卷积神经网络(CNN)提取特征后，输出的尺寸往往会变小，而有时我们需要将图像恢复到原来的尺寸以便进行进一步的计算(e.g.:图像的语义分割)，这个采用扩大图像尺寸，实现图像由小分辨率到大分辨率的映射的操作，叫做上采样(Upsample)。
反卷积(Transposed Convolution)
上采样有3种常见的方法：
- 双线性插值(bilinear)
- 反卷积(Transposed Convolution)
- 反池化(Unpooling)
我们这里只讨论反卷积。这里指的反卷积，也叫转置卷积，它并不是正向卷积的完全逆过程，用一句话来解释：反卷积是一种特殊的正向卷积，先按照一定的比例通过补，来扩大输入图像的尺寸，接着旋转卷积核，再进行正向卷积。
ps: 这里要记住的是，反卷积的操作过程：先按照一定的比例通过补，来扩大输入图像的尺寸，接着旋转卷积核，再进行正向卷积。
数学推导在这里不说明了，请看上面的链接。
这里直接从代码层面给出。
相关的反卷积代码可以查看。
