tf.nn.atrous_conv2d(value,filters,rate,padding,name=None）
① 与一般卷积的区别在于rate：
要求是一个int型的正数，正常的卷积操作应该会有stride（即卷积核的滑动步长），但是空洞卷积是没有stride参数的，这一点尤其要注意。取而代之，它使用了新的rate参数，那么rate参数有什么用呢？它定义为我们在输入图像上卷积时的采样间隔，你可以理解为卷积核当中穿插了（rate-1）数量的“0”，把原来的卷积核插出了很多“洞洞”，这样做卷积时就相当于对原图像的采样间隔变大了。具体怎么插得，可以看后面更加详细的描述。此时我们很容易得出rate=1时，就没有0插入，此时这个函数就变成了普通卷积。
② 其他参数与一般的卷积一样：
（1）value 指需要做卷积的输入图像，要求是一个4维Tensor，shape = [batch, height, width, channels]
（2）fliters 相当于CNN中的卷积核，要求是一个4维Tensor，shape = [filter_height, filter_width, channels, out_channels]
（3）padding 只能是”SAME”,”VALID”其中之一，这个值决定了不同边缘填充方式。
https://blog.csdn.net/mao_xiao_feng/article/details/78003730 mark