又是在地鐵上，人到中年很無奈，每天貌似隻有在地鐵上的時間是屬于我的…,有沒有同道中人…
今天簡單聊聊空洞卷積和轉置卷積的差別：
- 空洞卷積，也有人譯作擴張卷積，其實是一樣的。
與普通的卷積相比，增加了一個擴張率(dilation rate)參數，主要用來表示擴張的大小。
擴張卷積與普通卷積的相同點在于，卷積核的大小是一樣的，在神經網絡中參數數量不變，差別在于擴張卷積具有更大的感受野。
- 什麼是感受野？
其實本質上可以了解為：卷積核的邊界寬度；
感受野公式：
對比：空洞卷積與轉置卷積（吉米王） dilation ： 擴張率
kernel ： 卷積核大小
F：擴張卷積的感受野
百科找了張圖：（擴張卷積其實本質上擴張的還是卷積核，而不是圖像）
解釋說明：a圖中紅點所在的綠色區域表示的是初始卷積核的位置和大小；
b圖中為擴張率為2的時候，卷積核的變化情況，紅點位置标示原卷積核資料，其餘綠色區域用0填充；
c圖中，為擴張率為4時，也就是4倍的擴張率，卷積核的變化情況，紅點位置标示原卷積核資料，其餘綠色區域用0填充；
- 轉置卷積，在我們招聘講師面試的過程中，也聽别人叫過反卷積
- 反卷積是一種特殊的正向卷積
- 通俗的講，就是在原圖像上輸入補0+卷積。先按照一定的比例通過補0來擴大輸入圖像的尺寸，再進行正向卷積即可。
關鍵點：轉置卷積，改變的是原圖像大大小，而空洞卷積改變的是卷積核的感受野的大小（卷積核）；這塊還需要大家好好分析一下；
卷積輸出公式：（比較常見的一個公式）
備注：還有一種特殊情況記不太清了，等有時間我查下資料補上。
參數說明：
n：特征圖的寬或者高
k：卷積核的尺寸
p：padding的數值，一般指單側填充幾個單元
stride：顧名思義卷積核的步長
到百科上找了個圖檔：（相當于對原圖像進行放大，空白處用0填充，實際上我們可以通過一定的參數設定，利用轉置卷積實作上采樣的等同效果）
經典應用場景：
- 轉置卷積用來增大特征圖的分辨率的。
- 或者叫上采樣，意思是一樣的，印象中以前在某些經典的算法底層就在使用
# 反卷積上采樣
x = Conv2DTranspose(filters, kernel_size=(2,2), strides=(2,2),padding="same")(input_tensor)
- 常見的上采樣的API還有UpSampling2D等
對比：空洞卷積與轉置卷積（吉米王）
就這樣吧，下地鐵了…，本來還想寫點什麼，沒時間了，又是半篇文章。生活縱有千萬個不如意，我亦勇往直前…