1. 转置卷积
卷积层和汇聚层通常会减少下采样输入图像的空间维度（高和宽），卷积通常来说不会增大输入的高和宽，要么保持高和宽不变，要么会将高宽减半，很少会有卷积将高宽变大的。可以通过 padding 来增加高和宽，但是如果 padding 得比较多的话，因为填充的都是 0 ，所以最终的结果也是 0 ，因此无法有效地利用 padding 来增加高宽。
如果输入和输出图像的空间维度相同，会便于以像素级分类的语义分割：输出像素所处的通道维可以保有输入像素在同一位置上的分类结果（为实现输入和输出的空间维度的一致，在空间维度被卷积神经网络层缩小后，可以使用转置卷积增加上采样中间层特征图的空间维度）
语义分割的问题在于需要对输入进行像素级别的输出，但是卷积通过不断地减小高宽，不利于像素级别的输出，所以需要另外一种卷积能够将高宽变大
13.10. 转置卷积
https://zh-v2.d2l.ai/chapter_computer-vision/semantic-segmentation-and-dataset.html
转置卷积（Transpose Convolution），也被称为反卷积（Deconvolution），是一种用于图像处理和深度学习中的操作，用于将低维特征映射恢复到高维空间或进行上采样操作。尽管称之为"转置"卷积，但它实际上并不是卷积的逆操作。
转置卷积的过程类似于常规卷积操作，但卷积核的权重矩阵被转置。它可以将输入特征图扩展为更大尺寸的输出特征图，同时进行上采样操作。转置卷积在图像分割、目标检测、生成对抗网络（GANs）等任务中经常被使用。
使用转置卷积的一般步骤如下：
1. 定义转置卷积参数：包括卷积核大小、步幅、填充等。
2. 将输入特征图与转置卷积的权重矩阵进行卷积操作。这里的权重矩阵是转置的卷积核。
3. 对卷积结果进行激活函数处理，如ReLU。
4. 根据需要，可以进行进一步的转置卷积操作来增加特征图的尺寸。
转置卷积的关键特点是在卷积操作中使用了步幅和填充，使得输出特征图的尺寸可以与输入特征图不同。通过调整转置卷积的参数，可以控制输出特征图的尺寸和分辨率。
在深度学习中，转置卷积常用于生成模型中的上采样操作，例如将低分辨率特征图恢复到原始图像的尺寸，或者生成逼真的图像。此外，它还可以用于语义分割任务中的像素级预测，将低分辨率的特征图映射到高分辨率的预测结果。
需要注意的是，转置卷积的使用需要根据具体的任务和网络架构进行调整，包括选择合适的参数和结合其他操作。
