如何理解空洞卷積？在CNN網(wǎng)絡(luò)中，當(dāng)對圖像進行下采樣時，我們經(jīng)常使用池操作，包括平均池和最大池。其功能是模仿人類視覺系統(tǒng)進行降維，同時擴展感知領(lǐng)域。從卷積層提取的特征被降采樣以獲得更高級的特征。此外，

如何理解空洞卷積？

在CNN網(wǎng)絡(luò)中，當(dāng)對圖像進行下采樣時，我們經(jīng)常使用池操作，包括平均池和最大池。

其功能是模仿人類視覺系統(tǒng)進行降維，同時擴展感知領(lǐng)域。從卷積層提取的特征被降采樣以獲得更高級的特征。此外，池化層還可以保證特征的位置和旋轉(zhuǎn)不變形。最后，池的引入可以減少網(wǎng)絡(luò)參數(shù)，防止過度擬合。

但是，使用池也有其缺點。在下采樣過程中，會丟失部分特征信息和原始圖像中的信息。

提出了腔卷積來解決池層的缺點。首先，它是一種卷積的圖像語義分割方法。與一般卷積不同的是，空穴卷積的卷積核更“蓬松”，即在卷積核上加入空穴以擴大感受野。引入了一個新的參數(shù)&除法速率，即卷積核的區(qū)間數(shù)。正規(guī)卷積核的空隙率等于1。

如下圖所示，為3*3孔卷積，孔隙比為2。結(jié)果表明，空卷積不僅擴大了接收場，降低了維數(shù)，而且不增加計算量。

但是，由于引入了超級參數(shù)，我們需要權(quán)衡每個卷積的參數(shù)。如果空隙率過大，很可能無法捕捉到圖像中微小物體的信息，因此再次使用時需要設(shè)置合適的空隙率。另外，如果疊加多個孔隙比為2的3*3卷積核，會出現(xiàn)網(wǎng)格效應(yīng)，損失大量信息。因此，在設(shè)計孔卷積時，需要考慮不同層的不同孔率，使卷積得到盡可能多的信息。

如何通過改進網(wǎng)絡(luò)結(jié)構(gòu)來壓縮卷積神經(jīng)網(wǎng)絡(luò)？

卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為一種前向神經(jīng)網(wǎng)絡(luò)，由于其神經(jīng)元能夠?qū)Ω采w區(qū)域內(nèi)的周圍細胞做出響應(yīng)，因此主要用于處理大規(guī)模圖像。該結(jié)構(gòu)包括卷積層和池化層。在組合過程中，單元數(shù)逐層減少，但隨著操作單元數(shù)的增加，操作參數(shù)數(shù)也隨之增加。畢竟，操作參數(shù)的個數(shù)決定了它的感知能力，所以壓縮起來比較困難。為了保證計算的正確性，對運行參數(shù)的壓縮只能壓縮部分參數(shù)，但也有一定的局限性。個人理解，不要噴錯。

常數(shù)與函數(shù)卷積怎么做？

常數(shù)C和函數(shù)f（x）的卷積等于f（x）從負(fù)無窮大到正無窮大積分的C倍。因此，當(dāng)f（x）為常數(shù)B時，從負(fù)無窮到正無窮的積分為B（正無窮負(fù)無窮），當(dāng)B>0時，結(jié)果為正無窮，當(dāng)B<0時，結(jié)果為負(fù)無窮。如果你把它乘以C，它就是正無窮大或負(fù)無窮大的倍數(shù)。1和1的卷積，1的卷積（正無窮負(fù)無窮）=正無窮，2和3的卷積，6的卷積（正無窮負(fù)無窮）=正無窮都是沒有意義的。卷積在工程中被用來計算線性時不變系統(tǒng)，幾乎所有引入的函數(shù)都是具有有限積分的函數(shù)。做常數(shù)卷積是沒有意義的