本文是接着上一篇深度学习之 11 卷积神经网络实现_水w的博客-CSDN博客

目录

空洞卷积

1 优点与适用性

2 存在的问题

 ◼  空洞卷积存在网格效应

 ◼  远距离的点之间的信息可能不相关

 ◼  解决方法

  ◼  满足HDC条件的空洞卷积叠加演示：dilation rate [1, 2, 5] with 3 x 3 kernel

3 使用PyTorch实现空洞卷积  

  ◼  空洞卷积的实现 实现dilation为1,2,5的三层空洞卷积

  ◼  空洞卷积实验结果

---

空洞卷积

• 灰色部分为卷积核权重，与左侧相同；白色部分为空，值为0
• dilation rate：空洞率，空洞卷积权 重值的 间隔 为dilation rate - 1
• 当空洞率为1时，退化为普通卷积
• 空洞后的卷积核的空间(感受野)大

1 优点与适用性

 ◼   在不增加参数的情况下 增大感受野， 适用于图片size较大，或需要快速感受全局信息的情况

 ◼   通过设置不同的dilation rate捕获 多尺度 上下文信息，适用于需要捕获图片的多层次的情况，如语义分割等。

卷积核为大小2，四层卷积，普通卷积可以覆盖5个像素点， 而使用空洞卷积可以覆盖16个像素点

但是因为空洞卷积的特殊性，我们其实并不能够项普通卷积一样拿来就用。 

2 存在的问题

 ◼   空洞卷积存在网格效应

 ◼  远距离的点之间的信息可能不相关

 ◼  空洞卷积存在网格效应

只获取到了一些点的信息， 并没有获取到全部的信息。实际上就算我们不断的继续堆叠最顶点的这个点，只用到了部分结点，我们还是不能够获取到全部底层的信息。 

右侧的序列上， 如果我们不进行填充，那么在3层之后就已经到头了，没有办法再进行卷积了。

 ◼  远距离的点之间的信息可能不相关

空洞卷积虽然是被设计用来捕获更 远距离 的信息的，但是这样一味的使用大的dalition就会 忽略掉近距离的信息 ，如何能 同时处理远距离信息和临近区域的信息 是设计好空洞卷积的关键之一。

点B明显与近距离的点A更相关，与左上角的点C 关系不大，如果dalition过大则容易忽略点A的信息而降低模型效果。 

 ◼  解决方法

  ◼  满足HDC条件的空洞卷积叠加演示：dilation rate [1, 2, 5] with 3 x 3 kernel

3 使用PyTorch实现空洞卷积  

  ◼  空洞卷积的实现 实现dilation为1,2,5的三层空洞卷积

直接套用之前实现的普通卷积的代码，定义了这3层卷积，对每一层卷积都指定它的空洞率分别为1,2和5，然后在这个前向传播的过程中也是和之前的过程是一致的，这里不过多叙述。 

  ◼  空洞卷积实验结果

• 模型在训练集上可以达到一个较低的loss和较高的准确率；
• 在大约40轮后测试集的Loss就处于波动状态甚至有些上升，说明模型出现了过拟合；
• 测试集的平均准确率达到了82.92%，说明当前模型在cifar-10上进行分类的效果良好；

使用空洞卷积之后，测试集的loss曲线在大概40轮左右的时候，就不再下降了，甚至有点稍微上升的情况，就说明在40轮的时候，模型可能有点过拟合。那么最后我们这个测试集的准确率也到了82%左右，而对于之前设计的普通卷积的准确率大概是不到80%，。

 但是并不能够说明这个空洞卷积在任何时候都比普通卷积都要好。需要依据任务和数据的不同，效果也会有所差距。