卷积（convolution）是深度学习中非常有用的计算操作，主要用于提取图像的特征。在近几年来深度学习快速发展的过程中，卷积从标准卷积演变出了反卷积、可分离卷积、分组卷积等各种类型，以适应于不同的场景。
本篇文章主要介绍一些基础的知识，更多的卷积类型可以参考：【图解AI：动图】各种类型的卷积，你认全了吗？ - OSCHINA - 开源 × AI · 开发者生态社区
1 卷积层常见参数
卷积核（Kernel）： 卷积操作的感受野，直观理解就是一个滤波矩阵，普遍使用的卷积核大小为3×3、5×5等；
步长（Stride）： 卷积核遍历特征图时每步移动的像素，如步长为1则每次移动1个像素，步长为2则每次移动2个像素（即跳过1个像素），以此类推；
填充（Padding）： 处理特征图边界的方式，一般有两种，一种是对边界外完全不填充，只对输入像素执行卷积操作，这样会使输出特征图的尺寸小于输入特征图尺寸；另一种是对边界外进行填充（一般填充为0），再执行卷积操作，这样可使输出特征图的尺寸与输入特征图的尺寸一致；【使用padding可以使得边界的特征被充分利用，让网络更公平地对待边界特征】
**通道（Channel）：**卷积层的通道数（层数）。灰度图channel为1， RGB图channel为3.
如下图是一个卷积核（kernel）为3×3、步长（stride）为1、填充（padding）为1的二维卷积：
2 卷积的计算
卷积核在输入图像上扫描，将卷积核与输入图像中对应位置的数值逐个相乘，最后汇总求和，就得到该位置的卷积结果。不断移动卷积核，就可算出各个位置的卷积结果。如下图：
3 卷积的类型
（1）标准卷积
【1】二维卷积操作（单通道卷积）
只有一个通道（channel=1）的卷积。如下图是一个卷积核（kernel）为3×3、步长（stride）为1、填充（padding）为0的卷积：
【2】二维卷积操作（多通道卷积）
拥有多个通道的卷积，例如处理彩色图像时，分别对R, G, B这3个层处理的3通道卷积，如下图：
然后将这三个通道的卷积结果相加，得到最终的卷积结果，如下图：
（2） 反卷积
卷积是对输入图像提取出特征（可能尺寸会变小），而所谓的"反卷积"便是进行相反的操作。但这里说是"反卷积"并不严谨，因为并不会完全还原到跟输入图像一样，一般是还原后的尺寸与输入图像一致，主要用于向上采样。从数学计算上看，"反卷积"相当于是将卷积核转换为稀疏矩阵后进行转置计算，因此，也被称为"转置卷积"
如下图，在2x2的输入图像上应用步长为1、边界全0填充的3x3卷积核，进行转置卷积（反卷积）计算，向上采样后输出的图像大小为4x4
备注：对于处理普通的图片而言，使用二维卷积我觉得已经够用了，所以这边只记录这些，后面在项目中遇到别的卷积操作，会进行补充。
另外，感谢博主的知识共享，有想要了解更多的，可以参考：【图解AI：动图】各种类型的卷积，你认全了吗？ - OSCHINA - 开源 × AI · 开发者生态社区
讲的很全面！