我的问题是关于转置卷积操作（通常也称为反卷积或上卷积）。例如，在 TensorFlow 中，我指的是这一层。

我的问题是，在应用这一层时，我们如何/何时添加偏置（截距）项？

当使用“常规”卷积时，我们这样做：

conv_output = tf.nn.conv2d(input, kernel, strides, padding='VALID')
conv_output = tf.nn.bias_add(conv_output, bias)

在应用反卷积层时我们如何做到这一点？我的困惑出现了，因为我的顾问告诉我将上卷积可视化为伪逆卷积层（在卷积对输入进行下采样，而转置卷积对其进行上采样的意义上是逆的。我知道它们在数学上不是逆的。）

按照他的说法：

正则卷积：conv = x.w + b

转置卷积：（x = (conv - b).W其中 w 和 W 不相同）。

上面的等式是否正确？有些事情让我感到不安。

在这种情况下，既然我们正在“倒退”，我们是否应该这样做：

deconv_output = tf.nn.bias_add(input, -1 * bias)
deconv_output = tf.nn.conv2d_transpose(deconv_output, kernel, strides, padding='VALID')

或者我们应该在应用转置卷积之后添加偏差，就像我们在“常规”卷积中所做的那样？