关于这里发布的答案，当我想使用方程来获取转置卷积的参数值时，我遇到了一些问题。例如，我有一个大小为 [16， 256， 16， 160， 160] 的张量，我想将其上采样为 [16， 256， 16， 224， 224]。基于转置卷积的方程，当求解高度方程时，我选择 stride+2 并且我想找到 k(核大小)，我有以下等式，核大小将具有较大的负值。
224 = (160 - 2)x (2) + 1x(k - 1) + 1
我的计算有什么问题以及如何找到参数。
我不认为你错误地应用了公式，我认为这主要是你想要的输入和输出维度的问题
，这在stride=2转置或拨号卷积可以非常快速地扩展输出。例如，假设您只是将这些参数用于转置卷积(我将这里的值简化为 1D 只是为了让计算清晰)：
Input Size = 160
Stride = 2
Kernel = 1
Padding = 0
Output Padding = 0
现在我们应用官方文档中的公式来计算输出形状：
H_out =(H_in − 1)×stride[0]−2×padding[0]+dilation[0]×(kernel_size[0]−1)+output_padding[0]+1
或者我们可以稍微简化公式：
Output Size = ((Input Size - 1) * Strides) - (2 * Padding) + Filter_Size + Ouput Padding
在这里，Filter_Size = dilation_factor* (kernel_size-1)使公式看起来不那么可怕。
现在，让我们以我们的示例为例，并将值放入其中，看看我们可以使用尽可能stride=2和最小的内核大小(即kernel=1)获得的转置 OUtput 大小
Ouput_Size = ((160-1)*2) - (2*0) + 1*(1-1) + 0
Output_Size = 318 - 0 + 0 + 0
Output_Size = 318
因此，以您想要的步伐，您至少会有一个output_size >= 318并且您想要224因此是负kernel_size。
我希望这能回答你的问题。
参考链接，以更好地理解转置卷积计算，例如：
论文空间：上采样图像的转置卷积解释
计算卷积和转置卷积的输出大小
这个问题没有很好的建设性答案。
在某种意义上与conv2d相反， 将图像下采样stride倍，transposed_conv2d上采样stride倍。不能将其用于任意resize并获得均匀良好的结果，为此有torchvision.transforms.Resize或自适应池化。
torchvision.transforms.Resize是默认选择，它简单灵活，可以馈送PIL image或torch.Tensor，-使用前者，如果输入大小动态变化，则使用后者，如果不是。
自适应池化，通常是AdaptiveAvgPool2d，更复杂，它应该是架构的一部分。在网络开始时插入，它作为(批量)图像调整大小;没有魔法 - 它是通常实现的 CPU，很难在张量硬件上实现它。在嵌入式解决方案中，通常使用特殊的图像处理器来完成此类工作。
好吧，你仍然可以正式地用transposed_conv2d解决任务，通过玩padding，但它只是切断了图像的一部分，可能会丢失信息，或者插入很多无用的间距。