原文章鏈接
Torch nn模塊中包含了常用的卷積層（convolutional layers），本文簡單介紹其中兩個名字很相似，作用卻不同的卷積操作：
Spatial Modules:
SpatialConvolution: 在輸入圖像上進行2D卷積操作（2D convolution）
SpatialFullConvolution: 在輸入圖像上進行2D全卷積操作（2D full convolution）逐一來看兩個卷積操作的定義：
1.SpatialConvolution
module = nn.SpatialConvolution(nInputPlane, nOutputPlane, kW, kH, [dW], [dH], [padW], [padH])對於多通道的圖像進行2D卷積操作，輸入的對象（稱爲tensor）爲3D tensor（nInputPlane x height x width）， 其中nInputPlane也就是常說的通道數。
函數中各參數的含義爲：
nInputPlane: 輸入圖像的通道數
nOutputPlane: 卷積層輸出數據的通道數（Caffe中的num_output）
kW: 卷積核窗口寬度
kH: 卷積核窗口長度
dW: 卷積窗口沿寬邊方向上的移動步距，默認值爲1
dH: 卷積窗口沿長邊方向上的移動步距，默認值爲1
padW, padH: 輸入補零，默認值是0，比較好的設置是(kW-1)/2，可以保證卷積後feature map的plane size與輸入的plane size一致。對於一個3D tensor（nInputPlane x height x width），卷積層輸出的feature map的plane size爲nOutputPlane x oheight x owidth ，其中：
owidth = floor((width + 2*padW - kW) / dW + 1)
oheight = floor((height + 2*padH - kH) / dH + 1)2.SpatialFullConvolution
module = nn.SpatialFullConvolution(nInputPlane, nOutputPlane, kW, kH, [dW], [dH], [padW], [padH], [adjW], [adjH])咋一看與SpatialConvolution基本一致，只是多了兩個參數而已。在其他框架下，這一操作相當於： “In-network Upsampling”, “Fractionally-strided convolution”, “Backwards Convolution,” “Deconvolution”, or “Upconvolution.”
簡單說，就是一個去卷積或者上採樣的操作，函數的大部分參數與SpatialConvolution一樣：
nOutputPlane: 卷積層輸出數據的通道數（Caffe中的num_output）
kW: 卷積核窗口寬度
kH: 卷積核窗口長度
dW: 卷積窗口沿寬邊方向上的移動步距，默認值爲1
dH: 卷積窗口沿長邊方向上的移動步距，默認值爲1
padW, padH: 輸入補零，默認值是0，比較好的設置是(kW-1)/2，可以保證卷積後feature map的plane size與輸入的plane size一致
adjW: 額外加上一定的寬度或者高度到輸出圖像中，默認值是0，但是不能超過dW-1/dH-1。與SpatialConvolution不同的是，對於同樣的3D tensor（nInputPlane x height x width）輸入，輸出結果（nOutputPlane x oheight x owidth）的計算方式卻不相同：
owidth = (width - 1) * dW - 2*padW + kW + adjW
oheight = (height - 1) * dH - 2*padH + kH + adjH