---

普通卷积

普通卷积的计算过程:

多输入通道计算过程:

• 对每个输入通道分别计算，并将每个通道的输出结果求和。

多输出通道计算过程:

对每个输出通道分别进行卷积操作。Tips :

• 卷积操作还需要加上偏置项。
• 每个输出通道使用不同的偏置参数。

最后将不同输出通道的结果堆叠在一起。

---

1x1 卷积

1×1 卷积，与标准卷积完全一样，唯一的特殊点在于卷积核的尺寸是1×1 ，也就是不去考虑输入数据局部信息之间的关系，而把关注点放在不同通道间。

当输入矩阵的尺寸为3×3 ，通道数也为3时，使用4个1×1卷积核进行卷积计算，最终就会得到与输入矩阵尺寸相同，通道数为4的输出矩阵，如下图所示。

1x1 卷积的作用:

1. 实现信息的跨通道交互与整合。考虑到卷积运算的输入输出都是3个维度（宽、高、多通道），所以1×1卷积实际上就是对每个像素点，在不同的通道上进行线性组合，从而整合不同通道的信息。
2. 对卷积核通道数进行降维和升维，减少参数量。经过1×1 卷积后的输出保留了输入数据的原有平面结构，通过调控通道数，从而完成升维或降维的作用。
3. 利用1×1 卷积后的非线性激活函数，在保持特征图尺寸不变的前提下，大幅增加非线性。

---

分组卷积

分组卷积（Group Convolution）是一种卷积操作方式，它最早在AlexNet中引入，并在深度学习中被广泛使用，尤其是在高效模型设计（如MobileNet和ResNeXt）中。分组卷积通过将输入特征通道分为若干组，并在每组内单独进行卷积操作，可以减少计算复杂度和参数量，同时有效利用模型的结构特性。

分组卷积的工作原理

1. 通道分组：输入特征图的通道数为 C_in ,输出特征图的通道数为 C_out ,将每组的 C_in 和 C_out 分为 G 组，每组的通道数为 C_in/G 和 C_out/G。
2. 组内卷积：每组的输入通道仅与对应组的卷积核进行卷积，组间相互独立。
3. 输出拼接：所有组的卷积输出特征图按照通道维度拼接，形成最终输出。

特殊:

• 如果分组=1，分组卷积退化为普通的全通道卷积；
• 如果分组=输入通道数,分组卷积变为深度卷积。

---

深度可分离卷积

深度可分离卷积将传统卷积操作拆分成两个步骤：

1. 深度卷积：每个输入通道都使用独立的卷积核进行卷积。

2. 逐点卷积：使用 1x1 卷积核对深度卷积的输出进行跨通道的融合。

---

待补充

空洞卷积，转置卷积，可变形卷积后续有时间会进行补充。