A guide to convolution arithmetic for deep learning：卷积 + 反卷积 + 空洞卷积

1.1 离散卷积（conv）

i (output)，k (kernel_size),   s (stride),    p (pooling),   o (output)

1.2 池化(pooling)

i,     k,     s,     o

2.卷积（conv）

2.1  no padding

o = ( i - k ) / s  + 1      # 向下取整

2.2 pdding

o = ( i - k + 2*p ) / s   +1    p = 2/k  或 p=k-1  # 向下取整

3.反卷积（deconv/transposed conv/ fractionally strided conv）

一般反卷积在decoding时使用，大多时候用于上采样，为了减少棋盘效应（伪影），k取偶数（例，k=4,s=2,deconv后特征长、宽变为原来2倍）

A guide to convolution arithmetic for deep learning

中以K=3为例，W矩阵实际运算时变为：

卷积：O = C * I     (C: 4x16     I:4x4, reshape为 16x1 ，卷积得到O:4x1, rehshape 为 2x2 )   4x4--------->2x2

反卷积：I =  * O  (转置卷积由来)     （: 16x4    O:2x2,  rehsape成  4x1, I:16x1, reshape为4x4