编辑 我的问题出在滤波器的宽度和高度上，我误解了API文档… 现在正在修正
解决方案 请参考这里的第53张幻灯片关于反卷积的讲解
我遇到的问题与这里类似，但情况有些不同。
我的错误信息是Conv2DBackpropInput: Number of rows of out_backprop doesn't match computed: actual = 25, computed = 26，在优化器初始化时出现。
…所以差了一个？
一些背景信息…
我有一个卷积层，尺寸为<tf.Tensor 'MaxPool_2:0' shape=(?, 25, 25, 128) dtype=float32>
输入图像是200×200，我有3个最大池化层——因此h = w = 25。我想添加3个反卷积层，以便恢复到原始分辨率（我在做图像分割）。
反卷积代码如下：
temp_batch_size = tf.shape(x)[0]# output_shape = tf.pack([temp_batch_size, 50, 50, 64])output_shape = [temp_batch_size, 50, 50, 64]conv4 = tf.nn.conv2d_transpose(conv3, weights['wdc1'], output_shape=output_shape, strides=[1,1,1,1], padding="VALID")# conv4 = tf.nn.local_response_normalization(conv4)# output_shape = tf.pack([temp_batch_size, 100, 100, 32])output_shape = [temp_batch_size, 100, 100, 32]conv5 = tf.nn.conv2d_transpose(conv4, weights['wdc2'], output_shape=output_shape, strides=[1,1,1,1], padding="VALID")# conv5 = tf.nn.local_response_normalization(conv5)# output_shape = tf.pack([temp_batch_size, 200, 200, 1])output_shape = [temp_batch_size, 200, 200, 1]conv6 = tf.nn.conv2d_transpose(conv5, weights['wdc3'], output_shape=output_shape, strides=[1,1,1,1], padding="VALID")# conv6 = tf.nn.local_response_normalization(conv6)（你可以看到我尝试使用tf.pack()但没有成功——如这里推荐的）权重如下：
'wdc1' : tf.Variable(tf.random_normal([25, 25, 64,128])),'wdc2' : tf.Variable(tf.random_normal([50, 50, 32,64])),'wdc3' : tf.Variable(tf.random_normal([100, 100, 1,32])),一些调试信息如下：
(Pdb) conv3<tf.Tensor 'MaxPool_2:0' shape=(?, 25, 25, 128) dtype=float32>(Pdb) conv4<tf.Tensor 'conv2d_transpose:0' shape=(?, ?, ?, ?) dtype=float32>(Pdb) conv5<tf.Tensor 'conv2d_transpose_1:0' shape=(?, ?, ?, ?) dtype=float32>(Pdb) conv6<tf.Tensor 'conv2d_transpose_2:0' shape=(?, ?, ?, ?) dtype=float32>我觉得奇怪的是，因为我有temp_batch_size = tf.shape(x)[0]这一行（如这里推荐的），最后三个维度也是问号？如果我将第一个维度改为常数（例如10），我会得到<tf.Tensor 'conv2d_transpose:0' shape=(10, 50, 50, 64) dtype=float32>
所以这可能是我的问题之一？如果我将其改回常数batch_size，那么在优化器初始化时我会得到错误ValueError: Shapes (10, 101, 101, 32) and (10, 100, 100, 32) are not compatible。再次，差了一个。
使用这种配置进行调试…
(Pdb) conv4<tf.Tensor 'conv2d_transpose:0' shape=(10, 50, 50, 64) dtype=float32>(Pdb) conv5<tf.Tensor 'conv2d_transpose_1:0' shape=(10, 100, 100, 32) dtype=float32>(Pdb) conv6<tf.Tensor 'conv2d_transpose_2:0' shape=(10, 200, 200, 1) dtype=float32>问题是我的步长设置吗？它们应该是什么（我尝试了不同的变体但没有成功）
回答：
在使用转置卷积时，你需要反向思考：如何从输出（形状为[batch_size, 200, 200, 1]）得到输入（conv3形状为[batch_size, 25, 25, 128]）？
你会进行一系列3×3的卷积和最大池化操作。不幸的是，TensorFlow中尚未提供去池化功能，因此你只能使用转置卷积。
滤波器应该具有常规CNN形状：如3×3卷积，或5×5。如果你想增加输出尺寸，你需要使用步进的转置卷积。
weights = { 'wdc1' : tf.Variable(tf.random_normal([3, 3, 64, 128])), 'wdc2' : tf.Variable(tf.random_normal([3, 3, 32, 64])), 'wdc3' : tf.Variable(tf.random_normal([3, 3, 1, 32]))}以及代码（别忘了步长=2）：
temp_batch_size = 10conv3 = tf.zeros([temp_batch_size, 25, 25, 128])output_shape = [temp_batch_size, 50, 50, 64]conv4 = tf.nn.conv2d_transpose(conv3, weights['wdc1'], output_shape=output_shape, strides=[1,2,2,1], padding="SAME")output_shape = [temp_batch_size, 100, 100, 32]conv5 = tf.nn.conv2d_transpose(conv4, weights['wdc2'], output_shape=output_shape, strides=[1,2,2,1], padding="SAME")output_shape = [temp_batch_size, 200, 200, 1]conv6 = tf.nn.conv2d_transpose(conv5, weights['wdc3'], output_shape=output_shape, strides=[1,2,2,1], padding="SAME")编辑：
