深度学习原理与框架- tf.nn.atrous_conv2d(空洞卷积) 问题：空洞卷积增加了卷积核的维度，为什么不直接使用7*7呢

空洞卷积， 从图中可以看出，对于一个3*3的卷积，可以通过使用增加卷积的空洞的个数，来获得较大的感受眼， 从第一幅图中可以看出3*3的卷积，可以通过补零的方式，变成7*7的感受眼，这里补零的个数为1，即dilated等于2

 空洞卷积在语义分割中的使用较多，因为涉及到向下卷积和向上卷积，为了不使用padding降低图片的维度，造成feature_map的信息损失，同时又可以在一定程度上增加感受眼。使用了这种空洞卷积的方式，增加感受眼，在语义分割中的使用方法是：使用多个不同尺度的空洞卷积，将最后的结果做一个拼接。

而这里使用的空洞卷积的场景是用于进行图像补全操作， 中间橙色部分为空洞卷积，dilated的大小分别为2， 4， 8， 16，用来获得更高的感受野

代码：主函数

  with tf.variable_scope('dilated4'):
        # [3, 3, 256, 256] 表示卷积核的大小，16表示dilated即补零的大小
        x = dilated_conv_layer(x, [3, 3, 256, 256], 16)
        x = batch_normalize(x, is_training)
        x = tf.nn.relu(x)

代码：调用函数dilated_conv_layer

def dilated_conv_layer(x, shape, dilation):
    # filter表示卷积核的构造
    filters = tf.get_variable('filters',
                              shape=shape,
                              dtype=tf.float32,
                              initializer=tf.contrib.layers.xavier_initializer(),
                              trainable=True)
    # 进行空洞卷积，dilation表示卷积核补零的大小
    return tf.nn.atrous_conv2d(x, filters, dilation, padding='SAME')