一：卷积的定义

首先，我们首先回顾一下卷积相关的基本概念，定义一个卷积层需要的几个参数。
在这里插入图片描述

卷积核大小（Kernel Size）：卷积核大小定义了卷积的视野。2维中的常见选择是3 - 即3x3像素矩阵。
步长（Stride）：步长定义遍历图像时卷积核的移动的步长。虽然它的默认值通常为1，但我们可以使用值为2的步长来对类似于MaxPooling的图像进行下采样。
填充（Padding）：填充定义如何处理样本的边界。Padding的目的是保持卷积操作的输出尺寸等于输入尺寸，因为如果卷积核大于1，则不加Padding会导致卷积操作的输出尺寸小于输入尺寸。
输入和输出通道（Channels）：卷积层通常需要一定数量的输入通道（I），并计算一定数量的输出通道（O）。可以通过I * O * K来计算所需的参数，其中K等于卷积核中参数的数量，即卷积核大小。

二：标准卷积

1.1D卷积

一维卷积通常有三种类型：full卷积、same卷积和valid卷积，下面以一个长度为5的一维张量I和长度为3的一维张量K（卷积核）为例，介绍这三种卷积的计算过程。
在这里插入图片描述

Ⅰ：一维Full卷积

Full卷积的计算过程是：K沿着I顺序移动，每移动到一个固定位置，对应位置的值相乘再求和，计算过程如下：
在这里插入图片描述

Ⅱ：一维Same卷积

Same卷积核K都有一个锚点，然后将锚点顺序移动到张量I的每一个位置处，对应位置相乘再求和，计算过程如下：
在这里插入图片描述

Ⅲ：一维Valid卷积

valid卷积只考虑I能完全覆盖K的情况，即K在I的内部移动的情况，计算过程如下：
在这里插入图片描述

Ⅳ：三种一维卷积的相互关系

在这里插入图片描述

2.2D卷积

2D卷积是最常见的卷积，在计算机视觉中大量使用，在此不再赘述。如下图所示：
在这里插入图片描述

3.3D卷积

在3D卷积中，kernel可以在3个方向上移动，因此获得的输出也是3D。
在这里插入图片描述

三：转置卷积

有些场景下使用deconvolution，这中说法其实不太合适，因为它不是一个deconvolution，真正的deconvolution应该是卷积操作的逆过程。虽然deconvolution确实存在，但它们在深度学习领域并不常见。想象一下，将图像输入到单个卷积层。现在获得输出，把输出扔到一个黑盒子里，再恢复成的原始输入图像。这个黑盒子才叫做deconvolution。Deconvolution是卷积计算过程的逆计算过程。

转置卷积则比较贴切，因为转置会产生相同的空间分辨率。然而，真实执行的数学运算则稍有不同的。转置卷积层一方面会执行常规卷积，同时也会恢复其空间变换。在执行转置卷积上采样的操作时，要注意棋盘效应

有关转置卷积的讲解，可以看这篇文章

四：Separable卷积

其实就是将filter的K×K×Channel中的Channel（等于输入特征图深度）变为了自己随意设定（当然要小于等于Channel）。

五：Depthwise卷积

它的意思就是拓展Separable convolution而来，我们可以让卷积核的channel维度等于1啊，这样就是深度卷积，意为在每一个channel上做卷积。

六：Pointwise卷积

其实就是点积，就是卷积核大小是1*1的，那为啥起名点积呢？就是因为这和向量中的点积运算很类似。

七：扩张/空洞（Dilated/Atrous）卷积

空洞卷积是解决pixel-wise输出模型的一种常用的卷积方式。一种普遍的认识是，pooling下采样操作导致的信息丢失是不可逆的，通常的分类识别模型，只需要预测每一类的概率，所以我们不需要考虑pooling会导致损失图像细节信息的问题，但是做像素级的预测时（譬如语义分割），就要考虑到这个问题了。那么空洞卷积可以用下图来说明：
在这里插入图片描述

(a)图对应3x3的1-dilated convolution，就是典型的卷积(b)图对应3x3的2-dilated convolution，实际的卷积kernel size还是3x3，但是空洞为1，相当于kernel的size为7x7，图中只有红色点的权重不为0，其余都为0，把3*3的感受野增大到了7*7。(c)图是4-dilated convolution，能达到15x15的感受野。

总之，空洞卷积是卷积运算的一种方式，在于增大了感受野却不丢失语义信息。

至此我对深度学习中不同的卷积类型进行了简单讲解，希望对大家有所帮助，有不懂的地方或者建议，欢迎大家在下方留言评论。

我是努力在CV泥潭中摸爬滚打的江南咸鱼，我们一起努力，不留遗憾！