卷积层（Convolutional Layer, CONV-K-N）
功能：提取局部特征。
符号含义：
- $K$ — 滤波器尺寸（Kernel size）卷积滤波器的宽度和高度，通常为正方形，表示为 $K \times K$。
- $N$ — 滤波器个数（Number of filters）卷积层中滤波器的数量，决定了该层的 输出通道数 ($C_{out}=N$)
- $P$ — 填充（Padding）在输入特征图的边缘补充像素，以保证输入和输出的特征图尺寸满足特定需求。
- $S$ — 步幅（Stride）卷积核每次移动的步长，定义了滤波器如何滑动覆盖输入特征图。
输出维度：$$H_{\text{out}} = \frac{H_{\text{in}} – K + 2P}{S} + 1, \quad W_{\text{out}} = \frac{W_{\text{in}} – K + 2P}{S} + 1, \quad C_{out}=N$$ $W$为图片宽度，$H$为图片高度，$C$为图片通道数。
计算时向下取整，可以想象滑动窗口滑到最后一步时，还剩余一部分无法卷积。
same模式：当$P=(K-1)/2$时，$H_{\text{out}}=H_{\text{in}}/S$，结果向上取整，注意此时$K$必须为奇数，$K$也通常为奇数。Pytorch中当$S=1$时可指定padding='same'以保证图片尺寸不变。
参数数量：
$$
\text{weights} = K \times K \times C_{\text{out}} \times C_{\text{in}}, \quad
\text{bias} = C_{\text{out}}
$$
反卷积层（Transposed Convolutional Layer, DECONV-K-N）
功能：反卷积层用于在卷积操作的基础上执行空间维度的上采样，恢复特征图的分辨率，同时保留原始的局部特征。它被广泛应用于生成式模型（如GANs）、图像重建（如去噪）以及语义分割任务中。
符号含义：
- $K$ — 滤波器尺寸（Kernel size），与卷积层相同。
- $N$ — 滤波器个数，决定反卷积的输出通道数（$C_{\text{out}}=N$）。
- $P$ — 填充（Padding），影响输出的大小。
- $S$ — 步幅（Stride），定义输出的特征图增长速率。
- $O$ — 输出填充（Output Padding），用于调整上采样结果的尺寸，尤其当目标尺寸不是反卷积层计算出的标准尺寸时。
输出维度：
$$
H_{\text{out}} = S \cdot (H_{\text{in}} – 1) – 2P + K + O, \quad
W_{\text{out}} = S \cdot (W_{\text{in}} – 1) – 2P + K + O
$$
其中 $O$ 是输出填充，用于微调输出尺寸。
same模式：当$P=(K-1)/2$且$O=S-1$时，$H_{\text{out}}=H_{\text{in}}\times S$，当$S\ne 1$时，以same模式做卷积和反卷积后，图片尺寸可能变化，这是因为卷积时图片尺寸不能整除$S$，此时需要微调$O$.
参数数量： 反卷积层的参数数量与标准卷积层相同：
$$
\text{weights} = K \times K \times C_{\text{out}} \times C_{\text{in}}, \quad
\text{bias} = C_{\text{out}}
$$
池化层（Pooling Layer, POOL-K）
- 功能：降低特征图的尺寸，增强特征的平移不变性。
- 输出维度：$$H_{\text{out}} = \frac{H_{\text{in}}}{K}, \quad W_{\text{out}} = \frac{W_{\text{in}}}{K}, \quad C_{out}=C_{in}$$ 同样向下取整。
- 参数数量：$$\text{weights} = 0, \quad \text{bias} = 0$$
全连接层（Fully Connected Layer, FC-N）
- 功能：将特征图展平后与全连接层的每个神经元相连，用于最终分类或回归。
- 输出维度：$$\text{Output} = O$$ 根据实际分类需求有关
- 参数数量：$$\text{weights} = I \times O, \quad \text{bias} = O$$ $\text{weights}$是一个输入到输出的线性变换矩阵，$\text{bias}$是和输出维度相同的偏置。