卷积：
class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True)
- 1
蓝色为输入，蓝色上的阴影为卷积核(kernel)，绿色为输出，蓝色边缘的白色框为padding
反卷积：
class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, bias=True)
- 1
卷积和反卷积函数中的in_channels与out_channels以及kernel_size的含义相同。
需要注意的是padding和stride和conv2d不同，padding不是蓝色的留白,是kernel像图像中心移动的单位。如下当padding=0时，卷积核刚好和输入边缘相交一个单位。因此pandding可以理解为卷积核向中心移动的步数。 同时stride也不再是kernel移动的步数，变为输入单元彼此散开的步数。
即：
padding=0时，卷积核的起始位置和输入层相交一个像素，当padding=1时，卷积核的起始位置和输入层相交2个像素，依此类推；
stride=1时，输入层元素之间没有间隔，当stride=2时，输入层元素之间间隔为1，stride=3时，输入层元素之间间隔为2，以此类推。
示意图如下图所示：
padding=0,kernel_size=3,stride=1
output_padding是对反卷积后的特征图进行边缘填补0.
output_padding=0表示不进行填补，output_padding=1表示进行填补一圈0，等于2表示进行填补2圈0.
padding=2,kernel_size=4,stride=1
padding=2,kernel_size=3,stride=1
padding=0,kernel_size=3,stride=2
padding=1,kernel_size=3,stride=2
欢迎留言讨论~ ^ _ ^