卷积的矩阵形式
二维卷积可以写成矩阵乘积的形式，比如一个3ｘ3的卷积核w，可以写成下面的矩阵形式C：
如果存在一个４ｘ４的图像，那么则可以将其转化为一个16ｘ1维度的向量X，矩阵乘法则变化为：
C*X = Y
得到的结果Ｙ为4ｘ1维向量，将其reshape为2ｘ2维，就是我们需要的卷积后结果。
根据矩阵求导公式(下图第一行)，我们可以看到，该卷积运算的梯度其实就是C^T。当你反向传播误差时，该运算就是将一个４维度的向量作为输入，然后产生一个16维度的输出，并且由于Ｃ矩阵的结构性，反向传播时的连接关系和正向传播时是一样的，只是方向相反。
Deconvolution（反向卷积）
Deconvolution从字面意义上看的话，应该意为反卷积。容易给人造成一种错误的印象，以为它的作用是复原卷积之前的图像值（或者特征值），事实上并非如此，也是不可能的。试想一下，如果一个４x４的图像和一个3ｘ3的模板进行卷积，最后得到的结果应该是2ｘ2。如果要想求出４x４的图像中的值，那么存在16个未知数，而只能联立2ｘ2＝4个方程，所以准确的值是无法求解出来的。
在A guide to convolution arithmetic for deep learning一文中有下面这样一句话：
Let’s now consider what would be required to go the other way around, i.e., map from a 4-dimensional space to a 16-dimensional space, while keeping the connectivity pattern of the convolution depicted in Figure 2.1. This operation is known as a transposed convolution.
这一句话说明Transposed convolution（也就是deconvolution）的目的是将一个低维度的空间映射到高维度，同时保持他们之间的连接关系/模式（这里的连接关系即是指卷积时候的连接关系）。联系到刚刚介绍的卷积的矩阵形式，我们刚好可以用这样一个C^T矩阵来实现这一目的。所以Deconvolution也被称作Transposed convolution。
更加直白的一种表示是，在我们的神经网络计算卷积的时候，我们会设定一个Kernel w，这样一个Kernel被首先按照规律展开成为C的矩阵形式。如果我们要计算卷积的时候则计算C*input = output来得到从高维度向低维度的计算。如果我们的神经网络中设计了deconv层的话，那么我们就采用C^T*input= output来得到从低维度向高维度的计算。
