总的来说卷积计算是多对一，也就是多个input，和所有kernel进行multiply+add，通道channel方向也进行add，得到一个数字。转置卷积或者说是逆卷积，是一对多的关系，是一个input和所有kernel进行multiply，通道channel方向才进行add，得到kernel_size_width*kernel_size_height个数字​ ​1d的卷积计算即滑窗运算，卷积核kernel和Input的位置multiply然后add，K1*1+K2*2+K3*3=out1​Stride=2K1*3+K2*4+K5*3=out2​2d的卷积计算padding=0，stride=

torch.rfft-fft-basedconvolutioncreatingdifferentoutputthanspatialconvolution我在Pytorch中实现了基于FFT的卷积，并通过conv2d()函数将结果与空间卷积进行了比较。使用的卷积滤波器是平均滤波器。conv2d()函数由于预期的平均滤波而产生了平滑的输出，但基于fft的卷积返回了更模糊的输出。我已在此处附加代码和输出-空间卷积-123456789101112131415161718192021222324fromPILimportImage,ImageOpsimporttorchfrommatplotlibimp

torch.rfft-fft-basedconvolutioncreatingdifferentoutputthanspatialconvolution我在Pytorch中实现了基于FFT的卷积，并通过conv2d()函数将结果与空间卷积进行了比较。使用的卷积滤波器是平均滤波器。conv2d()函数由于预期的平均滤波而产生了平滑的输出，但基于fft的卷积返回了更模糊的输出。我已在此处附加代码和输出-空间卷积-123456789101112131415161718192021222324fromPILimportImage,ImageOpsimporttorchfrommatplotlibimp