我先解释一下必要信息：
tf.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.
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
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'
通俗的讲这个解卷积，也就做反卷积，也叫做转置卷积（最贴切），我们就叫做反卷积吧，它的目的就是卷积的反向操作，
所以在做这些之前，你心里要有一个正向卷积的流程在心里，什么？你没有？好吧，那我就引导你一下：
input_shape = [1,5,5,3] kernel_shape=[2,2,3,1] strides=[1,2,2,1] padding = "SAME"
out_shape 结果应该是什么，应该是[1,3,3,1] 只有一个通道的3*3的图片，
然后我们就对它进行反向操作，注意哪方面不同：
设x=out_shape,#[1,3,3,1]
import tensorflow as tf
tf.set_random_seed(1)
x = tf.random_normal(shape=[1,3,3,1])#正向卷积的结果，要作为反向卷积的输出
kernel = tf.random_normal(shape=[2,2,3,1])#正向卷积的kernel的模样
# strides 和padding也是假想中 正向卷积的模样。
y = tf.nn.conv2d_transpose(x,kernel,output_shape=[1,5,5,3],
strides=[1,2,2,1],padding="SAME")
# 在这里，output_shape=[1,6,6,3]也可以，考虑正向过程，[1,6,6,3]时，然后通过
# kernel_shape:[2,2,3,1],strides:[1,2,2,1]也可以
# 获得x_shape:[1,3,3,1]。
# output_shape 也可以是一个 tensor
sess = tf.Session()
tf.global_variables_initializer().run(session=sess)
print(y.eval(session=sess))然后输出的y就是最上面的input_shape，
我想到了一个很合理的方法就是这样定制你的反卷积网络，也即是你在进行反卷积之前，你要推算一下正向卷积所需要的路径，然后把正向卷积所需要的kernel,和strides写入tf.conv2d_transpose()函数就行了，当然输入和输出要互相对换一下就行了，
下面是我自己实现的3维反卷积操作，原理是一样的：
import tensorflow as tf
kernel1 = tf.constant(1.0, shape=[3,3,3,512,512]) #正向卷积核
kernel2 = tf.constant(1.0, shape=[3,3,3,512,512]) #反向卷积核
x3 = tf.constant(1.0, shape=[10,2,7,7,512])#正向卷积输入
y2 = tf.nn.conv3d(x3, kernel1, strides=[1,1,1,1,1], padding="SAME") #正向卷积
pool=tf.nn.max_pool3d(y2,ksize=[1,2,2,2,1],strides=[1,2,2,2,1],padding='SAME')#池化
sess=tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(pool)
print(pool.shape)#(10,1,4,4,512)
#反向卷积
y3 = tf.nn.conv3d_transpose(pool,kernel2,output_shape=[10,2,7,7,512], strides=[1,2,2,2,1],padding="SAME")
sess.run(y3)
print(y3.shape)#(10,2,7,7,512)上面的例子是由[10,2,7,7,512]----卷积池化到----[10,1,4,4,512]----反卷积到----[10,2,7,7,512]
至于内部原理是怎么实现的，请看：https://blog.csdn.net/u012938704/article/details/52838902