概念
1.卷积核(Kernel)：滤波矩阵，普遍的卷积核大小为3×3、5×5;
2.步长(Stride)：卷积核遍历特征图时每步移动的像素个数;
3.填充(Padding)：对特征图边界外进行填充（一般填充为0）;
4.通道(Channel)：卷积层的通道数（层数）;

标准卷积

单通道

多通道

3维卷积

1x1卷积

反卷积（转置卷积）

将卷积核转换为稀疏矩阵后进行转置计算

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

空洞卷积（膨胀卷积）

可分离卷积（Separable Convolutions）

将卷积核分解为两项独立的核分别进行操作


分解后的卷积计算过程如下图，先用3x1的卷积核作横向扫描计算，再用1x3的卷积核作纵向扫描计算

深度可分离卷积（Depthwise Separable Convolutions）

3个卷积核分别对输入层的3个通道作卷积计算并堆叠在一起



再使用1x1的卷积（3个通道）进行计算，得到只有1个通道的结果



重复多次1x1的卷积操作（如下图为128次）

分组卷积（Grouped Convolution）

在分组卷积中，卷积核被分成不同的组，每组负责对相应的输入层进行卷积计算，最后再进行合并

---