D-P-L中的C-O- N- V 方式汇总

卷积与互相关

以前卷积常用在信号/图像处理中，其定义如下：
$$(f\ast g)(t)={\int }_{-\infty }^{\infty }f(x)g(t-x)$$
可以看出卷积是由两个函数生成第三个函数的数学算子，f与翻转并平移的g进行相乘后积分。

Cross-correlation被称为滑动点积或者两个函数的滑动内积，Cross-correlation中的滤波器函数是不用翻转的。它直接划过特征函数f。f和g相交的区域就是Cross-correlation。

在深度学习中所用的卷积应该说是互相关。

深度学习中普通的Conv

在深度学习中,单个卷积如下：
一个卷积核心具有多个卷积层，同样的操作，再加起来。3D卷积核在2D方向上移动，称为2D卷积。一般会有多个与被巻函数相同深度的卷积核。

3D卷积：
卷积核的深度小于被卷函数，并在三个方向上移动。
1x1 Convolution：
这个就不解释了，很简单。
卷积结果的尺寸公式：