Python从0到100（九十五）：空洞卷积（Dilated Convolution）网络架构与PAMAP2数据集实验分析

前言：零基础学Python：Python从0到100最新最全教程。 想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、 计算机视觉、机器学习、神经网络以及人工智能相关知识，成为学业升学和工作就业的先行者！
【优惠信息】 • 新专栏订阅前500名享9.9元优惠 • 订阅量破500后价格上涨至19.9元 • 订阅本专栏可免费加入粉丝福利群，享受：
- 所有问题解答
-专属福利领取

欢迎大家订阅专栏：零基础学Python：Python从0到100最新最全教程！

本文目录：

• 一、空洞卷积的基础原理
  • 1. 传统卷积的短板
  • 2. 空洞卷积的巧妙之处
• 二、空洞卷积的架构
  • 1. 输入层
  • 2. 空洞卷积模块
    • 2.1 空洞卷积层
    • 2.2 批归一化和激活
  • 3. 整体结构
• 三、代码实现详解
  • 1.代码分析
    • 1.1类的初始化 (`__init__`)
    • 1.2 前向传播 (`forward`)
  • 2.计算细节
    • 2.1 空洞卷积的填充计算
    • 2.2 空洞率的作用
• 四、PAMAP2数据集实战结果
  • 1.训练结果
  • 2.每个类别的准确率
  • 3.混淆矩阵图及准确率和损失曲线图
• 总结
  • 文末送书
    • 参与方式
    • `本期推荐1：`《鸿蒙HarmonyOS应用开发100例》
    • `本期推荐2：`《智能对话入门与实践》

一、空洞卷积的基础原理

空洞卷积（Dilated Convolution） 是一种改进的卷积操作，通过在卷积核中引入“空洞”来扩大感受野。想象你通过一个3x3的窗口看图片，空洞卷积允许窗口跳过某些像素，比如跳过1个像素，实际覆盖5x5的区域，但参数量不变。

1. 传统卷积的短板

在聊空洞卷积之前，我们先看看传统卷积神经网络（CNN）是怎么工作的，以及它在某些场景下有哪些不足。传统卷积的做法是用一个固定大小的卷积核在输入图像上滑动，逐个区域地提取特征。例如，一个3x3的卷积核在图像上滑动，每次生成一个新的特征值，形成特征图。

这种方法在很多视觉任务里效果很好，但也有些让人头疼的地方。

• 感受野有限：传统卷积能看到的区域（也就是感受野）取决于卷积核的大小和网络的层数。想看到更大的范围，要么堆更多层，要么用更大的卷积核。感受野是卷积核能看到的输入区域大小。对于3x3的核，覆盖范围小；要看更大的区域，要么用更大核，要么加深网络层数，但这都会显著增加计算量和参数量，模型变得臃肿。