摘自博客：https://blog.csdn.net/mao_xiao_feng/article/details/71713358
conv2d_transpose(value, filter, output_shape, strides, padding="SAME", data_format="NHWC", name=None)
除去name参数用以指定该操作的name，与方法有关的一共六个参数：
- 第一个参数value：指需要做反卷积的输入图像，它要求是一个Tensor
- 第二个参数filter：卷积核，它要求是一个Tensor，具有[filter_height, filter_width, out_channels, in_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，卷积核个数，图像通道数]
- 第三个参数output_shape：反卷积操作输出的shape，细心的同学会发现卷积操作是没有这个参数的，那这个参数在这里有什么用呢？下面会解释这个问题
- 第四个参数strides：反卷积时在图像每一维的步长，这是一个一维的向量，长度4
- 第五个参数padding：string类型的量，只能是"SAME","VALID"其中之一，这个值决定了不同的卷积方式，默认为SAME
- 第六个参数data_format：string类型的量，'NHWC'和'NCHW'其中之一，这是tensorflow新版本中新加的参数，它说明了value参数的数据格式。'NHWC'指tensorflow标准的数据格式[batch, height, width, in_channels]，'NCHW'指Theano的数据格式,[batch, in_channels，height, width]，当然默认值是'NHWC'
tf.nn.conv2d 中的filter参数，是[filter_height, filter_width, in_channels, out_channels]
tf.nn.conv2d_transpose 中的filter参数，是[filter_height, filter_width, out_channels，in_channels]
x1 = tf.constant(1.0, shape=[1,3,3,1])
x2 = tf.constant(1.0, shape=[1,6,6,3]) #6×6的3通道图
x3 = tf.constant(1.0, shape=[1,5,5,3]) #5×5的3通道图
kernel = tf.constant(1.0, shape=[3,3,3,1])
y2 = tf.nn.conv2d(x3, kernel, strides=[1,2,2,1], padding="SAME")
y3 = tf.nn.conv2d_transpose(y2,kernel,output_shape=[1,5,5,3], strides=[1,2,2,1],padding="SAME")
y4 = tf.nn.conv2d(x2, kernel, strides=[1,2,2,1], padding="SAME")
'''
Wrong!!This is impossible
y5 = tf.nn.conv2d_transpose(x1,kernel,output_shape=[1,10,10,3],strides=[1,2,2,1],padding="SAME")
'''
sess = tf.Session()
tf.global_variables_initializer().run(session=sess)
x1_decov, x3_cov, y2_decov, x2_cov=sess.run([y1,y2,y3,y4])
print(x1_decov.shape)
print(x3_cov.shape)
print(y2_decov.shape)
print(x2_cov.shape)返回的y2是[1，3，3，1]的Tensor，是一个单通道的图
对y2做conv2d_transpose，返回的Tensor和x3的shape是一样的[1，5，5，3]
x2做卷积，获得y4的shape也为[1，3，3，1]。
说明[1，3，3，1]的图反卷积产生了两种情况。所以这里指定output_shape是有意义的，当然随意指定output_shape是不允许的如y5