卷积（Convolution）是一种数学运算，常用于信号处理和图像处理领域，也在深度学习中的卷积神经网络（CNN）中发挥着关键作用。简单来说，卷积是通过在两个函数之间滑动并在每个位置上计算它们的积分来生成一个新的函数。
在图像处理中，卷积通常用于图像的特征提取。
对图像和滤波矩阵进行逐个元素相乘再求和的操作就相当于将一个二维的函数移动到另一个二维函数的所有位置，这个操作就叫卷积或者协相关。卷积和协相关的差别是，卷积需要先对滤波矩阵进行180的翻转，但如果矩阵是对称的，那么两者就没有什么差别了。
卷积是一种数学运算，它采用某种方式将一个函数“应用”到另一个函数。结果可以理解为两个函数的“混合体”。卷积由一个星号 (*) 表示，这可能与许多编程语言中通常用于乘法的 * 运算符混淆。
反卷积，可以理解为卷积操作的逆运算。这里千万不要当成反卷积操作可以复原卷积操作的输入值，反卷积并没有那个功能，它仅仅是将卷积变换过程中的步骤反向变换一次而已，通过将卷积核转置，与卷积后的结果再做一遍卷积，所以它还有个名字叫转置卷积。
卷积神经网络，简称CNN，常用于视觉图像分析的深度学习的人工神经网络。形象地来说，这些网络结构就是由生物的神经元抽象拟合而成的。正如，每个生物神经元可以相互通信一般，CNN根据输入产生类似的通信输出。
R-CNN 系列算法是目标检测 two-stage 类的代表算法，本文将从 问题背景，创新点，框架模块，训练流程，检测流程五个方面比较，了解它们的的发展历程，以及发展原因。
在CNN中，滤波器filter（带着一组固定权重的神经元）对局部输入数据进行卷积计算。每计算完一个数据窗口内的局部数据后，数据窗口不断平移滑动，直到计算完所有数据。
卷积现在可能是深度学习中最重要的概念。正是靠着卷积和卷积神经网络，深度学习才超越了几乎其他所有的机器学习手段。这期我们一起学习下深度学习中常见的卷积有哪些？
卷积解决全连接参数过多的问题（参数多容易过拟合和，局部极值，鞍点）
今天介绍卷积网络中一个很重要的概念，通道（Channel），也有叫特征图（feature map）的。卷积网络中主要有两个操作，一个是卷积(Convolution)，一个是池化(Pooling)。其中池化层并不会对通道之间的交互有影响，只是在各个通道中进行操作。
我们知道正常的卷积已经能够提取特征了，那么空洞卷积又是做什么的呢？空洞卷积（atrous convolutions），又称扩张卷积（dilated convolutions），向卷积层引入了一个成为“扩张率（dilated rate）”的新参数，该参数定义了卷积核处理数据时各值的间距。