如何理解空洞卷积？
CNN网络中在对图像进行下采样时，常常使用pooling操作，包括average pooling和max pooling。其作用在仿照人的视觉系统进行降维，同时扩大了感受野（perceptual field）。对卷积层提取的特征进行降采样，从而能够获取到更高级的特征。此外pooling层也可以保证特征位置和旋转不变形。
最后引入pooling还能起到降少网络参数，防止过拟合的问题。但是采用pooling也有其缺点，在降采样的同时也会丢失一部分特征信息，损失了原始图像中的信息。空洞卷积（diluted convolution）就是为解决pooling层的缺点而提出的。它首先是针对图像语义分割而产生的一种卷积方法。不同于一般的卷积，空洞卷积的卷积核更加“蓬松”，也就是在卷积核中加入空洞，以此来扩大感受野。
引入了一个新的参数空洞率（dilation rate）,即卷积核的间隔数目，正常卷积核的空洞率等于1。如下图就是一个空洞率为2的3*3空洞卷积。我们可以发现，空洞卷积不仅扩大了感受野降低了维度，同时没有增加计算量。但是由于引入了一个超参数，就需要权衡每次卷积时的参数，如果空洞率过大，那么就很有可能捕捉不到图像中小物体的信息，因此再使用时需要设置好合适的空洞率。
cnn卷积神经网络中的卷积核怎么确定？
卷积参数是模型学习出来的，卷积核的大小以及个数是人工来确定的，二维卷积卷积核大小一般是1*1，3*3，5*5，7*7这样奇数的。卷积核的个数就是网络的channel数，常见的128 256 512这种，需要根据具体任务确定。另外最近神经网络自动搜索结构非常火，最有名的就是谷歌的NASnet，采用某种启发式遍历来寻找对于特定数据集最优的网络结构。
