背景
信号与系统这门课我忘得快差不多了，现在只记住了一个概念：时域卷积等于频域乘积
现在用深度学习，总感觉里面的卷积怪怪的，如下是深度学习所谓的“卷积”（其实是互相关运算）：
输入对应位置和卷积核对应位置相乘再求和，得到输出。
0×0+1×1+3×2+4×3=19,
1×0+2×1+4×2+5×3=25,
3×0+4×1+6×2+7×3=37,
4×0+5×1+7×2+8×3=43.
卷积定义
设f ( x ) f(x)f(x)和g ( x ) g(x)g(x)是在R上的可积函数，作积分：
∫ − ∞ + ∞ f ( τ ) g ( x − τ ) d τ
∫+∞−∞f(τ)g(x−τ)dτ∫−∞+∞f(τ)g(x−τ)dτ
∫−∞+∞f(τ)g(x−τ)dτ
可以证明，关于几乎所有的实数x xx，上述积分是存在的。这样，随着x xx的不同取值，这个积分就定义了一个新函数h ( x ) h(x)h(x)，称为函数f ff与g gg的卷积，记为h ( x ) = ( f ∗ g ) ( x ) h(x)=(f*g)(x)h(x)=(f∗g)(x)。
那么按照这个定义，对于上述矩阵的卷积操作，应该是这样的：
0×3+1×2+3×1+4×0=5，
1×3+2×2+4×1+5×0=11,
. . . ......
这样可能还不是很直观，那就搬一下知乎大佬的动图作解释如下：
f , g f,gf,g为同尺寸矩阵，现在假设f ff为输入矩阵中某一块，g gg为卷积核，如下卷积操作得到这点的卷积值：
这其实相当于将卷积核左右翻转，再上下翻转，然后做互相关运算。
可以看出如果卷积核是一个方块，并且它关于中心对称，那么卷积和互相关运算得到的结果是一样的
实际使用
现在深度学习中所做的卷积操作，其实都是互相关运算。无论哪个框架，conv2的API都是这个操作。
对于我来讲，卷积就是一种运算，和加减乘除一样。
至于区别
这里我推荐这篇知乎文章
传送门
