pytorch dilated convolution的感受野，特征图尺度及padding计算

Dilated convolution

dilated convolution即空洞卷积，它的出现有效的解决了feature map感受野单一的情况。利用空洞增加感受野，并不增加额外的params和flops，使得同样size的kernel拥有不同的感受野。但同时由于空洞的存在会对原有信息造成遗漏，无法全覆盖的生成令人满意的feature。

1.空洞卷积感受野的计算

感受野尺寸=2（rate-1）*（k-1）+k  #k是kernel size 

举个例子，3×3的kernel，rate=1是普通卷积–>感受野=3；rate=2，感受野=7；rate=4，感受野=15。

2.带有空洞卷积的feature size的计算

Output=(W-F+2P)/S+1  #w是上层feature的size，F是kernel size，S是stride

这里普通卷积跟空洞卷积的feature size计算公式都是一样，计算时只需要把空洞卷积的F替换成其感受野（即换成普通卷积的kernel size）。
在pytorch中，缺少padding=‘SAME’，需要自己手动计算padding，这是用上面的公式反推就可以计算出padding了