课程笔记：卷积Convolution和转置卷积ConvTranspose

卷积Convolution：
分为3种：（一般情况下，卷积核在几个维度上滑动，就是几维卷积）
1）一维卷积
2）二维卷积
3）三维卷积

一维卷积：卷积核只在一个方向上滑动
二维卷积：卷积核在横轴和纵轴两个方向上滑动
三维卷积：卷积核在x,y和z轴方向上滑动

卷积运算是线性运算：卷积核在图片上滑动，在相应位置上进行乘加运算

卷积核是某种模板，某种特征提取器，activation map 是模板在原始图像上的体现。

卷积过程是模板匹配的过程，类似于用一个模板与图像上的小区域进行匹配（即相似性计算），与卷积核越相似，激活值越高，从而实现特征提取。

nn.Conv2d:

#输入通道数3，输出通道数（卷积核个数）1，卷积核尺寸3*3
conv_layer = nn.Conv2d(3, 1, 3)

dilation(空洞卷积)：主要用于图像分割任务，提升感受野输出图像的一个像素能看到原始图像更大的区域。

groups(分组卷积设置)：主要用于模型的轻量化
如：AlexNet，由于硬件的限制，采用两个GPU进行训练（采用了分组卷积）

尺寸计算：

转置卷积（Transpose Convolution）:
主要用于对图像进行上采样，在图像分割任务中经常采用

计算机中如何计算卷积：

正常卷积：首先把图像44展成161，卷积核通过补零转化成16个值（匹配图像的长度），然后每一行的变化是根据步长循环移位的（行数是等于响应的像素个数），从而得出卷积核为416，输出则为41，再reshape为2*2

转置卷积：首先把图像22展成41，卷积核通过剔除的方法从9个权值中只留下4个值（匹配图像的长度），然后每一行的变化是根据步长循环移位的（行数是等于响应的像素个数），从而得出卷积核为164，输出则为161，再reshape为4*4

由此，形状上正常卷积的卷积核与转置卷积的卷积核是转置的关系，但权值完全不同，正常卷积与转置卷积不可逆

nn.ConvTranspose2d:

#输入通道数3，输出通道数（卷积核个数）1，卷积核尺寸3*3，步长2
conv_layer = nn.ConvTranspose2d(3, 1, 3, stride=2)

转置卷积最重要的设置它的步长