对比：空洞卷积与转置卷积（吉米王）

又是在地铁上，人到中年很无奈，每天貌似只有在地铁上的时间是属于我的…,有没有同道中人…

今天简单聊聊空洞卷积和转置卷积的区别：

• 空洞卷积，也有人译作扩张卷积，其实是一样的。

与普通的卷积相比，增加了一个扩张率(dilation rate)参数，主要用来表示扩张的大小。
扩张卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中参数数量不变，区别在于扩张卷积具有更大的感受野。

• 什么是感受野？

其实本质上可以理解为：卷积核的边界宽度；
感受野公式：

dilation ： 扩张率
kernel ： 卷积核大小
F：扩张卷积的感受野

百科找了张图：（扩张卷积其实本质上扩张的还是卷积核，而不是图像）

解释说明：a图中红点所在的绿色区域表示的是初始卷积核的位置和大小；
b图中为扩张率为2的时候，卷积核的变化情况，红点位置标示原卷积核数据，其余绿色区域用0填充；
c图中，为扩张率为4时，也就是4倍的扩张率，卷积核的变化情况，红点位置标示原卷积核数据，其余绿色区域用0填充；

• 转置卷积，在我们招聘讲师面试的过程中，也听别人叫过反卷积

• 反卷积是一种特殊的正向卷积
• 通俗的讲，就是在原图像上输入补0+卷积。先按照一定的比例通过补0来扩大输入图像的尺寸，再进行正向卷积即可。

关键点：转置卷积，改变的是原图像大大小，而空洞卷积改变的是卷积核的感受野的大小（卷积核）；这块还需要大家好好分析一下；

卷积输出公式：（比较常见的一个公式）

备注：还有一种特殊情况记不太清了，等有时间我查下资料补上。

参数说明：
n：特征图的宽或者高
k：卷积核的尺寸
p：padding的数值，一般指单侧填充几个单元
stride：顾名思义卷积核的步长

到百科上找了个图片：（相当于对原图像进行放大，空白处用0填充，实际上我们可以通过一定的参数设置，利用转置卷积实现上采样的等同效果）

经典应用场景：

• 转置卷积用来增大特征图的分辨率的。
• 或者叫上采样，意思是一样的，印象中以前在某些经典的算法底层就在使用

# 反卷积上采样
x = Conv2DTranspose(filters, kernel_size=(2,2), strides=(2,2),padding="same")(input_tensor)

• 常见的上采样的API还有UpSampling2D等
  

就这样吧，下地铁了…，本来还想写点什么，没时间了，又是半篇文章。生活纵有千万个不如意，我亦勇往直前…