卷积神经网络四种卷积类型
使用内核大小为3，步长为1和填充的2D卷积
一般卷积
首先，我们需要就定义卷积层的一些参数达成一致。

卷积核大小（Kernel Size）：卷积核定义了卷积的大小范围，二维卷积核最常见的就是 3*3 的卷积核。

步长（Stride）：步长定义了当卷积核在图像上面进行卷积操作的时候，每次卷积跨越的长度。

在默认情况下，步长通常为 1，但我们也可以采用步长是 2 的下采样过程，类似于 MaxPooling 操作。

填充（Padding）：卷积层采用一定数量的输入通道（I），并且设计特定数量的输出通道（O）。

每一层所需的参数可以通过 I*O*K 来进行计算，其中 K 等于卷积核的数量。

输入和输出管道（Input ">扩张的卷积
使用3内核进行2D卷积，扩展率为2且无填充
扩张的卷积为卷积层引入另一个参数，称为扩张率。

这定义了卷积核中值之间的间距。

扩张率为2的3x3内核与5x5内核具有相同的视野，而仅使用9个参数。

想象一下，获取一个5x5内核并删除每一个第二列和第二行（间隔删除），就是我们介绍的卷积。

这以相同的计算成本提供了更宽的视野。

扩张卷积在实时分割领域中特别受欢迎。

如果您需要广泛的视野并且无法承受多个卷积或更大的核，请使用它们。

转置卷积
（又称解卷积或分数跨度卷积）
有些消息来源使用名称deconvolution，这是不合适的，因为它不是解卷积。

为了使事情更糟，确实存在解卷积，但它们在深度学习领域并不常见。

实际的反卷积会使卷积过程恢复。

想象一下，将图像输入到单个卷积层中。

现在取出输出，将它扔进一个黑盒子里然后再出。