Tensorflow：空洞卷积（Atrous convolution) atrous_conv2d的代码实现

一、参考文献

https://blog.youkuaiyun.com/mao_xiao_feng/article/details/78003730

https://blog.youkuaiyun.com/davincil/article/details/80902366

二、概念

空洞卷积的基本概念则是扩大卷积核，例如下图（作图为标准卷积核，有图为空洞卷积核）：

                  

这里使用空洞卷积的时候padding一定要注意，因为卷积核可能比输入还要打，所以尽量使用padding=‘SAME’

这篇博客中对空洞卷积有一个详细的流程图解释：https://blog.youkuaiyun.com/mao_xiao_feng/article/details/78003730

上图中输入是一个4*4的一个双通道的图片，在padding=same中，卷积核相乘的时候进行了填充，相反valid是不对输出进行天填充，所以最后的输出的维度是偏小的

上图的卷积就是空洞卷积，原本3*3*2的卷积核在空洞步长rate=2的情况下变成了5*5*2的卷积核，这就是为什么要使用padding=same的原因了，因为卷积核5*5已经大于4*4的输入了，不然会报错！！

三、Tensorflow中的空洞卷积

函数的调用为：

atrous_conv2d(value, filters, rate, padding, name=None)

value： 
指需要做卷积的输入图像，要求是一个4维Tensor，具有[batch, height, width, channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]

filters： 
相当于CNN中的卷积核，要求是一个4维Tensor，具有[filter_height, filter_width, channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，同理这里第三维channels，就是参数value的第四维

rate： 
要求是一个int型的正数，正常的卷积操作应该会有stride（即卷积核的滑动步长），但是空洞卷积是没有stride参数的，这一点尤其要注意。取而代之，它使用了新的rate参数，那么ra