讓我們簡要介紹一下不同型別的卷積以及它們的優點。為了簡單起見，我們只關注二維卷積。
首先我們需要定義一些卷積層的引數。
擴張卷積是在卷積層中加入了另乙個引數 —— 擴張率。這定義了卷積核中值與值之間的間距。擴張率為 2 的 3*3 的卷積核與 5*5 的卷積核具有相同的事業，而僅使用了 9 個引數。你可以想象一下，使用 5*5 的卷積核並且刪除第二行，第四行，第二列和第四列的資料，那麼就是我們所介紹的卷積核了。
這以相同的計算成本，但是提供了更廣泛的視野。擴張卷積在實時分割領域是特別受歡迎的。如果你需要更大的視野，但是無法承受多個卷積核所帶來的計算成本，那麼你可以考慮使用這個。
一些別的文章中把這個操作稱為解卷積（deconvolution），但這是不恰當的，因為這不是乙個解卷積過程。更糟糕的是，解卷積過程卻是真的。但是他們在深度學習領域並不常見。實際的解卷積將恢復卷積過程。想象一下，將影象輸入到單個卷積圖中。現在把輸出結果拿出來，然後把它丟入乙個黑盒子中，然後再次出來的影象就是原始圖。這個黑盒子就是乙個解卷積過程。這是卷積層所做的數學逆運算。
反卷積有點類似，因為它產生了假想的解卷積所能達到的相同的空間解析度。但是，對這些值執行的實際數**算是不同的。反卷積執行卷積，但恢復其空間變換。
此時，你可能有點困惑，所以我們來看乙個具體的例子。我們把 5*5 的影象進行卷積，所採用的卷積核是 3*3，步長是 2，無填充。那麼，最後我們將得到的結果是乙個 2*2 的影象。
如果，我們想要逆轉這個過程，我們需要反向進行數**算，以便從我們輸入的每個畫素生成 9 個畫素值。之後，我們用 2 的步長遍歷這個輸出影象。這就是乙個解卷積過程。
反卷積不會這樣做。唯一共同的是它最後得到的是乙個 5*5 的影象。為了是吸納這個目的，我們需要再輸入上執行一些奇怪的填充。
正如你現在想象的那樣，這一步不會實現上面我們說的解卷積過程，至少不會涉及到數學計算。
它只是重建從前的空間並執行卷積，這可能不是數學上的逆轉，但對於編碼器 - 解碼器架構，它仍然非常有用的。通過這種方式，我們可以將影象的放大和卷積相結合，而不是執行兩個單獨的過程。
在乙個可分離的卷積中，我們可以將卷積核分成多個步驟。我們將卷積表示為 y = conv(x, k) ，其中 y 是輸出影象，x 是輸入影象，k 是卷積核。簡單的說，接下來，我們假設 k 可以通過這樣來進行計算：k = k1.dot(k2)。這將使它成為了乙個可以分離的卷積操作，因為不是用 k 進行的二維卷積，而是通過用 k1 和 k2 進行 2 次卷積得到相同的結果。
以 sobel 核心為例，這在影象處理中經常使用。你可以通過乘以向量 [1, 0, -1] 和 [1, 2, 1].t 得到相同的核心。在做同樣的操作時，這將需要 6 個而不是 9 個引數。這個例子展示了我所知道的一種控制項可分離卷積，它不用於深度學習。
原文：medium
深度學習中的卷積型別
使用卷積操作的動機是讓網路關注有意義的區域性特徵，同時因為其引數共享的機制，能夠極大地降低參數量，提高計算效率。深度學習發展至今，衍生出了多種卷積型別。除了常規卷積外，還有轉置卷積 空洞卷積 可分離卷積等。以2d卷積為例，乙個卷積操作通常包含以下幾個引數 卷積核尺寸 kernel size 卷積核的...
iOS中TableView的不同型別
tableview是ios開發中經常用到的view，針對不同的顯示需求，我們需要不同的cell來進行顯示，比較複雜的顯示我們一般會自定義cell的樣式，但是簡單的顯示就可以靠ios本身支援的列表型別了。ios目前支援四中列表型別，分別是 uitableviewcellstyledefault 預設型...
不同型別的檔案
cpp檔案 cpp是用c 語言編寫的源 檔案的字尾 具體實現 h檔案 h是c語言和c 語言的標頭檔案 函式宣告，巨集定義，函式原型 pde檔案 一共有4種可能，分別為 1 powerdesk encrypted file 2 pathology data exchange file 3 afp pa...