我正在使用TensorFlow构建一个卷积神经网络。给定一个形状为 (none, 16, 16, 4, 192) 的张量，我希望执行一个转置卷积操作，得到形状为 (none, 32, 32, 7, 192) 的结果。

使用大小为 [2,2,4,192,192] 的滤波器和步长为 [2,2,1,1,1] 是否能产生我想要的输出形状？

回答：

是的，你几乎是正确的。

有一个小小的修正是，tf.nn.conv3d_transpose 期望输入格式为 NCDHW 或 NDHWC（你的格式看起来是 NHWDC），并且滤波器形状应为 [depth, height, width, output_channels, in_channels]。这会影响 filter 和 stride 中维度的顺序：

# 原始格式: NHWDC.original = tf.placeholder(dtype=tf.float32, shape=[None, 16, 16, 4, 192])print original.shape# 转换为 NDHWC 格式.input = tf.reshape(original, shape=[-1, 4, 16, 16, 192])print input.shape# 输入形状:  [batch, depth, height, width, in_channels].# 滤波器形状: [depth, height, width, output_channels, in_channels].# 输出形状: [batch, depth, height, width, output_channels].filter = tf.get_variable('filter', shape=[4, 2, 2, 192, 192], dtype=tf.float32)conv = tf.nn.conv3d_transpose(input,                              filter=filter,                              output_shape=[-1, 7, 32, 32, 192],                              strides=[1, 1, 2, 2, 1],                              padding='SAME')print conv.shapefinal = tf.reshape(conv, shape=[-1, 32, 32, 7, 192])print final.shape

输出结果为：

(?, 16, 16, 4, 192)(?, 4, 16, 16, 192)(?, 7, 32, 32, 192)(?, 32, 32, 7, 192)