tf.layers.conv2d_transpose 如下图所示，蓝色为输入，绿色输出，灰色为卷积核，虚线网格为0，所以也可以看作是补０之后的正常卷积

tf.layers.conv2d_transpose(inputs=img, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='valid')

参数：filters: 输出的通道数

　　　kernel_size:卷积核的尺寸大小

　　　strides: 这个步长并不是卷积核的移动步长，strides-1 表示在输入元素之间补０的数量，同时反卷积的步长一定为1

　　　padding:和正常卷积也是相反的

观察之后看到，补0 过程分为两个部分：元素之间和外轮廓

1 、当padding = ‘valid’时：

     元素之间补0：（input_size - 1）×（strides - 1）

     外轮廓补0：（kernel_size - 1）× 2

     output_size = (input_size  + （input_size - 1）×（strides - 1） +（kernel_size - 1）× 2 - kernel_size ) / 1 + 1

2、当padding = ‘same’时：

     output_size = input_size × strides

     他是通过调整外轮廓的补0 数量实现的，如果不够，我个人觉得可能元素之间补0也会减少

img = np.random.randint(0, 255, (5, 16, 16, 32)).astype(np.float32)
img_t = tf.constant(img, tf.float32)

transpose_v = tf.layers.conv2d_transpose(inputs=img_t, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='valid')
transpose_s = tf.layers.conv2d_transpose(inputs=img_t, filters=16, kernel_size=(6, 6), strides=(2, 2), padding='same')
print('valid 输出尺寸：', transpose_v.shape)
print('same 输出尺寸： ', transpose_s.shape)


valid 输出尺寸： (5, 36, 36, 16)
same 输出尺寸：  (5, 32, 32, 16)