深度学习可视化反卷积deconv deconvolution到底如何实现，也是反向传播的卷积层梯度

网上帖子都是给一个2D的卷积图，其实并没什么用。

由于任务需要，我自己写一套反向传播，发现各种坑的地方，

这次介绍一下反卷积的实现。

我开始以为反卷积这样就可以permute(para_conv, [2 1 4 3]);

但直接这样是不对的。

实际需要，在4D卷积核最后两个channel维度（3 和 4）互换后，一定要把前面两维也做变换。

具体变换就是上下、左右各翻转一次。

可以用fliplr和flipud实现。

反向传播如果没有自动求导的代码，手写这部分东西繁琐的地方很多，毫无意义，根据欧拉-拉格朗日方程，这种方法本身就是不精确的，所以求出精确的导数函数解也没有意义，能梯度下降好，收敛就可以了。

如果以后算力高，不知道会不会把数值分析里面的高级求值方法引入，比如著名的四阶龙哥库塔法这些。