深度学习中常见卷积（普通卷积、1×1卷积、转置卷积、可分离卷积、膨胀（空洞）卷积、3D卷积）

  总是在网络上看到各种名词的卷积，但是有搞不懂是什么含义，于是结合网上查阅的资料，总结一下。目前比较常用的卷积主要有常规的卷积、1×1卷积、转置卷积、可分离卷积、膨胀卷积、3D卷积。
  以下是一些可参考的链接：
https://cloud.tencent.com/developer/article/1413083
https://zhuanlan.zhihu.com/p/267249291
https://www.cnblogs.com/gshang/p/13548561.html
https://blog.csdn.net/kangzengxin/article/details/103113839
https://www.bilibili.com/video/BV1mh411J7U4?spm_id_from=333.999.0.0
https://blog.csdn.net/qq_30241709/article/details/88080367
https://blog.csdn.net/lanadeus/article/details/82534425
https://www.zhihu.com/question/56024942

普通卷积

  普通卷积大家应该都比较熟悉了，如果不熟悉的话，可以参考我之前的博客，或者去网上自行百度。这里主要想补充两个知识点。一：卷积核参数量怎么算？ 二：如何高效的并行运算卷积滑窗？

• 卷积核参数量怎么算？
    假设现在有一张单通道的灰度图，卷积核大小是3×3，输出通道是10。那么参数量就是3×3×1×10
    假设现在有一张三通道的彩色图，卷积核大小是3×3，输出通道是10。那么参数量就是3×3×3×10
    因此要搞清楚一个概念：不是一个卷积核对三个通道做运算，而是三个卷积核对三通道做运算（即每个卷积核只对一个通道运算）。因此一幅图有3个通道，就需要3个卷积核，每个卷积核大小又是3×3，这3个卷积核对3个通道计算完后，会合并成一张新的图（把原先这3个通道分别运算的结果，再加起来，合成一个新通道），因此输出通道是10，因此就需要重复10次这样的过程。也就是再×10。
    下面这2个