Tensorflow函式 tf.nn.atrous_conv2d如何實現空洞卷積？
實驗環境：tensorflow版本1.2.0，python2.7
介紹
關於空洞卷積的理論可以檢視以下連結，這裡我們不詳細講理論：
其實用一句話概括就是，在不用pooling的情況下擴大感受野（pooling層會導致資訊損失）
為了閱讀方便再貼一些相關連結：
慣例先展示函式：
tf.nn.atrous_conv2d(value,filters,rate,padding,name=None）除去name引數用以指定該操作的name，與方法有關的一共四個引數：
-
value： 指需要做卷積的輸入影象，要求是一個4維Tensor，具有
[batch, height, width, channels]這樣的shape，具體含義是[訓練時一個batch的圖片數量, 圖片高度, 圖片寬度, 影象通道數] -
filters： 相當於CNN中的卷積核，要求是一個4維Tensor，具有
[filter_height, filter_width, channels, out_channels]這樣的shape，具體含義是[卷積核的高度，卷積核的寬度，影象通道數，卷積核個數]，同理這裡第三維channels，就是引數value的第四維 -
rate： 要求是一個
int型的正數，正常的卷積操作應該會有stride（即卷積核的滑動步長），但是空洞卷積是沒有stride引數的，這一點尤其要注意。取而代之，它使用了新的rate引數，那麼rate引數有什麼用呢？它定義為我們在輸入影象上卷積時的取樣間隔，你可以理解為卷積核當中穿插了（rate-1）數量的“0”，把原來的卷積核插出了很多“洞洞”，這樣做卷積時就相當於對原影象的取樣間隔變大了。具體怎麼插得，可以看後面更加詳細的描述。此時我們很容易得出rate=1時，就沒有0插入，此時這個函式就變成了普通卷積。 -
padding： string型別的量，只能是”SAME”,”VALID”其中之一，這個值決定了不同邊緣填充方式。
ok，完了，到這就沒有引數了，或許有的小夥伴會問那“stride”引數呢。其實這個函式已經默認了stride=1，也就是滑動步長無法改變，固定為1。
結果返回一個Tensor，填充方式為“VALID”時，返回[batch,height-2*(filter_width-1),width-2*(filter_height-1),out_channels]的Tensor，填充方式為“SAME”時，返回[batch, height, width, out_channels]的Tensor，這個結果怎麼得出來的？先不急，我們通過一段程式形象的演示一下空洞卷積。
實驗
首先建立一張2通道圖
img = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)
img = tf.concat(values=[img,img],axis=3)然後用一個3*3卷積核去做卷積
filter = tf.constant(value=1, shape=[3,3,2,5], dtype=tf.float32)
out_img = tf.nn.atrous_conv2d(value=img, filters=filter, rate=1)建立好了img和filter，就可以做卷積了
out_img = tf.nn.conv2d(input=img, filter=filter, strides=[1,1,1,1], padding='VALID')輸出5個channel，我們設定rate=1，此時空洞卷積可以看做普通的卷積，分別在SAME和VALID模式下輸出如下：
ok，調整rate=2，繼續執行程式
out_img = tf.nn.atrous_conv2d(value=img, filters=filter, rate=2, padding='SAME')檢視輸出結果
[[[[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]
[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]]
[[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]
[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]]
[[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]
[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]]
[[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]
[ 16. 16. 16. 16. 16.]
[ 24. 24. 24. 24. 24.]]]]這個結果怎麼出來的呢？再用一張圖
這裡我們看到rate=2時，通過穿插“0”，卷積核由3*3膨脹到了5*5。再看看“VALID”模式下，會發生什麼？
直接報錯了。因為卷積核的大小已經超過了原圖大小
好了，看到這裡相信大家對於空洞卷積有了基本的瞭解了。那麼，填充方式為“VALID”時，返回[batch,height-2*(filter_width-1),width-2*(filter_height-1),out_channels]的Tensor，這個結果，相信大家就可以證明了。
程式碼清單
import tensorflow as tf
img = tf.constant(value=[[[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]],[[1],[2],[3],[4]]]],dtype=tf.float32)
img = tf.concat(values=[img,img],axis=3)
filter = tf.constant(value=1, shape=[3,3,2,5], dtype=tf.float32)
out_img1 = tf.nn.atrous_conv2d(value=img, filters=filter, rate=1, padding='SAME')
out_img2 = tf.nn.atrous_conv2d(value=img, filters=filter, rate=1, padding='VALID')
out_img3 = tf.nn.atrous_conv2d(value=img, filters=filter, rate=2, padding='SAME')
#error
#out_img4 = tf.nn.atrous_conv2d(value=img, filters=filter, rate=2, padding='VALID')
with tf.Session() as sess:
print 'rate=1, SAME mode result:'
print(sess.run(out_img1))
print 'rate=1, VALID mode result:'
print(sess.run(out_img2))
print 'rate=2, SAME mode result:'
print(sess.run(out_img3))
# error
#print 'rate=2, VALID mode result:'
#print(sess.run(out_img4))--------------------- 本文來自 xf__mao 的CSDN 部落格 ，全文地址請點選：https://blog.csdn.net/mao_xiao_feng/article/details/78003730?utm_source=copy