在深度学习中，卷积时很重要的一个环节，它能够提取出图片或序列中的模式。卷积可以分为很多种类型，如：卷积，反卷积，深度可分离卷积等等，这篇文章主要介绍几种常用的卷积方式以及其在pytorch中对应的实现。
卷积
首先我们定义两种类型的张量，一种是图片，一种是序列。图片的张量的size为[batch, channel, height, width]，序列的张量的size为[batch, channel, length]。
图像
对于图像，pytorch中提供的函数为torch.nn.Conv2d，其函数签名如下：
1
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, padding_mode='zeros', dilation=1, groups=1, bias=True)
其中kernel_size, stride, padding, dilation可以为int,tuple，当为tuple时可以分别控制宽高方向。
对于卷积的输出大小可用下面的公式计算
序列
对于序列，pytorch中提供的函数为torch.nn.Conv1d，其签名同Conv2d，只是不能使用tuple，以为其是一维的。
反卷积
图像
1 | torch.nn.ConvTranspose1d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros') |
其中大部分参数和Conv2d一样，多出来的output_padding指的是对输出进行pad。
其输出大小的计算公式如下：