空洞卷积感受野计算以及输出特征大小计算

空洞卷积

空洞卷积使用方式（pytorch）

常规卷积：

import torch.nn as nn
nn.Conv2d(in_dim, out_dim, kernel_size=3, stride=1, padding=1)

空洞卷积在pytorch中使用也非常方便，只要在上面的基础上添加dilation参数就可以了

import torch.nn as nn
nn.Conv2d(in_dim, out_dim, kernel_size=3, stride=1, padding=1, dilation=2)

注意：当dilation=1时，就是常规的卷积，当大于等于2时，才是空洞卷积，一般使用2,4,8,…这样的参数

空洞卷积感受野计算

参考：博客
F = 2 ∗ ( d i l a t i o n − 1 ) ∗ ( k e r n e l − 1 ) + k e r n e l F = 2 * (dilation - 1) * (kernel - 1) + kernel F=2∗(dilation−1)∗(kernel−1)+kernel
以常用的kernel size为3时为例：

dilation=1, F = 2 * (1 - 1) * (3 - 1) + 3 = 3
dilation=2, F = 2 * (2 - 1) * (3 - 1) + 3 = 7
dilation=4, F = 2 * (4 - 1) * (3 - 1) + 3 = 15
dilation=8, F = 2 * (8 - 1) * (3 - 1) + 3 = 31
dilation=16, F = 2 * (16 - 1) * (3 - 1) + 3 = 63
…

输出特征大小计算

o u t f e a t u r e = ( i n f e a t u r e − F + 2 ∗ p a d d i n g ) / s t r i d e + 1 out_{feature} = (in_{feature} - F + 2 * padding) / stride + 1 outfeature​=(infeature​−F+2∗padding)/stride+1
注意：这里的F就是上面的感受野，这个公式也适用于常规的卷积

padding大小计算

不像TensorFlow那样有**padding=‘SAME’**这样的操作，在pytorch中，只能自己手动计算padding的大小，来保证输出的特征大小和输入一样，计算方式不过也简单，就是将上面那个公式转换一下就行了，并令 o u t f e a t u r e = i n f e a t u r e out_{feature} = in_{feature} outfeature​=infeature​：
p a d d i n g = [ ( s t r i d e − 1 ) ∗ i n f e a t u r e + F − s t r i d e ] / 2 padding = [(stride - 1) * in_{feature} + F - stride] / 2 padding=[(stride−1)∗infeature​+F−stride]/2
当stride=1时，可以简化为：
p a d d i n g = ( F − 1 ) / 2 padding = (F - 1) / 2 padding=(F−1)/2