反卷積 逆卷積 轉置卷積(Transposed Convolution；Fractionally Strided Convolution；Deconvolution)

正常卷積運算：

如上圖：4x4的輸入，卷積Kernel為3x3, ,輸出為2x2。其計算可以理解為：
輸入矩陣展開為4*4=16維向量，記作x
輸出矩陣展開為2*2=4維向量，記作y
卷積核C為如下矩陣：

卷積運算可表示為y = Cx（可以對照動圖理解），而卷積的反向傳播可以如下，相當於乘以C^T
反卷積運算：

如上圖：2x2的輸入，卷積Kernel為3x3, ,輸出為4x4。如果按照正常卷積，產生的feature map尺寸應該減小，但是我們現在想要產生尺寸變大，就可以對輸入進行padding。但與正常卷積padding不同的是：反卷積卷積運算的起點不一定在原feature map上，而是從padding地區開始。仔細看上面動圖，可以看到第一個運算卷積核的中點在padding地區上。
反卷積相對於卷積在神經網路結構的正向和反向傳播中做相反的運算。
這裡寫連結內容