空洞卷积(Dilated Convolutions)
在深度学习中，我们常见的就是卷积神经网络。这篇博客来给大家介绍一下空洞卷积跟普通卷积的区别。
空洞卷积的应用处：空洞卷积（dilated convolution）是针对图像语义分割问题中下采样会降低图像分辨率、丢失信息而提出的一种卷积思路。利用添加空洞扩大感受野，让原本3x3的卷积核，在相同参数量和计算量下拥有5x5（dilated rate =2）或者更大的感受野，从而无需下采样。扩张卷积（dilated convolutions）又名空洞卷积（atrous convolutions），向卷积层引入了一个称为 “扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间距。换句话说，相比原来的标准卷积，扩张卷积（dilated convolution） 多了一个hyper-parameter（超参数）称之为dilation rate（扩张率），指的是kernel各点之前的间隔数量，[正常的convolution 的 dilatation rate为 1]。
由上图可见，普通卷积就是特殊的空洞卷积。空洞卷积只是引入了一个“扩张率”的概念。
现在上代码来看看他们之间的区别吧！
编译环境:jupyter notebook
1.导入包
import numpy as np
import torch
import torch.nn as nn
2.生成一个一维数组
arr = np.array(range(1,26))
arr
3.将一维数组转化为一个二维数组
arr.shape(5,5)
arr
4.增加一个dim，为通道
arr = np.expand_dims(arr,2)
arr
这里可能有些困难，不了解np中expand_dims()这个函数的可能看不懂这里，我会在下文做出解释。
5.读取现在矩阵的长度
arr.shape
运行结果为 (5,5,1)
6.轴变化
arr = arr.transpose((2,0,1))#轴变化
arr
arr.shape
运行结果(1,5,5)
7.将numpy形式转化为tensor格式
arr = torch.Tensor(arr)
print(arr)
8.增加一个fake batch dimension
arr = arr.unsqueeze(0)
print(arr.size())
9.接下来先展示普通卷积
conv1 = nn.Conv2d(1, 1, 3, stride=1, bias=False, dilation=1)
nn.init.constant_(conv1.weight, 1)
out1 = conv1(arr)
out1
10.最后是空洞卷积
conv2 = nn.Conv2d(1, 1, 3, stride=1, bias=False, dilation=2)
nn.init.constant_(conv2.weight, 1)
out2 = conv2(arr)
out2
这就是空洞卷积和普通卷积的区别，现在补充一下刚刚的函数知识。
补充
np.shape
这个函数它的功能是读取矩阵的长度，比如shape[0]就是读取矩阵第一维度的长度。它的输入参数可以使一个整数表示维度，也可以是一个矩阵。
np.expand_dims(a,axis)
其中a指的是numpy矩阵，axis为需要添加纬度的轴
举个例子：
二维数组中
shape中2处于axis=0的位置，3处于axis=1的位置，若在axis=1的位置添加变量，则需在shape中axis=1的位置写1，同时3后移，shape变为（2，1，3）。调用索引时axis=1的位置一直为0