深度学习中的卷积与反卷积操作

一、卷积

1. 符号规定：

为描述方便，各维度的参数均设为一致，用一致的字母表示：

i	输入图像尺寸
k	卷积核尺寸
s	卷积步长
p	单侧0填充数量
o	输出图像尺寸
 #（在s>1时，tensorflow中的"SAME"填充方式可能出现两侧填充数可相差1，）

具体的卷积运算方式不再赘述。

2. 步长s=1时

2.1 Same (Half) padding

即输出和入具有相同尺寸（o=i），只能在s=1实现。
此时：

s = 1
p = floor(k/2)

2.2 Full padding

o>i时，即输出尺寸变大，
此时：

s = 1
p = k - 1 

之所以叫full padding，是因为当p=k-1时，卷积核的移动位置满足：
（1）窗口内有输入图像的元素
（2）满足（1）的前提下，包含了所有可能的窗口位置