參考conv_arithmetic上的動圖
符號約定： i,o,k,p,s分別表示：卷積的輸入大小input size，輸出大小 output size迄本，卷積核大小 kernel size课竣， padding ， stride 公条。
下面的圖片藍色(底部)為輸入迂曲，綠色(頂部)為輸出。
1抓韩、常規(guī)卷積：
(1)鬓长、i=4,o=2,k=3,p=0,s=1， "VALID模式"
(2)英上、
i=5,o=5,k=3,p=1,s=1 "SAME模式"或者"HALF模式" 
(3)苍日、
i=5,o=7,k=3,p=2,s=1 "FULL模式"
(4)窗声、
i=5,o=2,k=3,p=0,s=2
(5)、
i=5,o=3,k=3,p=1,s=2
2拦耐、反卷積/轉(zhuǎn)置卷積：
(1)、i=2,o=4,k=3,no_padding,s=1
(2)扫俺、
i=5,o=5,k=3,same_padding,s=1 
(3)狼纬、
i=7,o=5,k=3,full_padding,s=1 
(4)骂际、
i=2,o=5,k=3,no_padding,s=2
(5)歉铝、
i=3,o=5,k=3,padding,s=2
實際上通過反卷積操作并不能還原出卷積之前的圖片，只能還原出卷積之前圖片的尺寸送火。
反卷積（轉(zhuǎn)置卷積）通常用在以下幾個方面：
- CNN可視化先匪，通過反卷積將卷積得到的
feature map還原到像素空間弃衍，來觀察feature map對哪些pattern相應(yīng)最大，即可視化哪些特征是卷積操作提取出來的岸裙； - FCN全卷積網(wǎng)絡(luò)中速缆，由于要對圖像進行像素級的分割，需要將圖像尺寸還原到原來的大小艺糜，類似
upsampling的操作，所以需要采用反卷積翅楼； - GAN對抗式生成網(wǎng)絡(luò)中真慢，由于需要從輸入圖像到生成圖像，自然需要將提取的特征圖還原到和原圖同樣尺寸的大小黑界，即也需要反卷積操作皂林。
?
當(dāng)反卷積的s = 1時式撼，反卷積和一般的卷積并沒有什么不同求厕，只是padding的稱呼方式有所變化，方向和卷積相反呀癣。由反卷積的圖5可以看到反卷積的一些缺點，在s > 1時浦辨，會降低圖片的分辨率沼沈，并且不同于一般的convolution，反而增大了輸出的feature map的size列另。
對于s = 2页衙、padding=1、k=4的反卷積店乐，輸入AXA圖像，輸出為2AX2A腺兴。
3廉侧、膨脹卷積：
又稱為空洞卷積、擴張卷積英文為：Dilation[da?'le??n] Convolution/Atrous['?tr?s] Convolution/Convolution with holes
作用：
首先膨脹卷積的目的是為了在擴大感受野的同時伏穆，不降低圖片分辨率和不引入額外參數(shù)及計算量（一般在CNN中擴大感受野都需要使用s>1的conv或者pooling枕扫，導(dǎo)致分辨率降低，減少了feature map的信息。如果使用大卷積核染簇，確實可以達到增大感受野强岸，但是會引入額外的參數(shù)及計算量）。
膨脹卷積多了一個參數(shù)dilation rate青灼， 指的是kernel的間隔數(shù)量(e.g. 一般的convolution的 dilatation rate = 1)妓盲。把dilation rate簡記為r。
圖像參考：i = 7,o = 3,k = 3,p = 0,s = 1,r = 2
擴充后的卷積核
size = k + (k-1) x (r-1)弹沽，特別地筋粗，對于3*3的卷積核，如果p = r娜亿，則特征圖尺寸大小不改變暇唾。既然膨脹卷積的初衷之一就是不降低圖片分辨率辰斋，那么我們可以認定膨脹卷積的s = 1。?
總起來說宫仗，dilation conv是對卷積核進行upsample，deconv是對feature map進行upsample孽糖；或者說毅贮，dilation conv是skip掉map中的一些元素，而deconv是對map中的元素進行補0操作滩褥。
參考：
1、反卷積/轉(zhuǎn)置卷積： transposed conv/deconv
2铺然、徹底搞懂CNN中的卷積和反卷積
3、談?wù)勁蛎浘矸e
4赋铝、dilation conv 和 deconv
5沽瘦、如何理解空洞卷積（dilated convolution）？-知乎
