WaveNet并不是真正的膨胀卷积，是吗？

在最近的WaveNet论文中，作者将他们的模型称为具有膨胀卷积的堆叠层。他们还产生以下图表，解释“常规”卷积和膨胀卷积之间的区别。

常规卷积看起来像是 一个卷积为2且步幅为1的卷积，重复4层。

然后，他们展示了其模型所使用的体系结构，它们称为膨胀卷积。看起来像这样。 他们说每一层的膨胀都增加了（1、2、4、8）。但是对我来说，这看起来像是常规卷积，滤镜大小为2，步幅为2，重复了4层。

据我了解，一个过滤器大小为2，步幅为1，膨胀为（1、2、4、8、8）的膨胀卷积看起来像这样。

在WaveNet图表中，没有一个过滤器会跳过可用的输入。没有孔。在我的图中，每个过滤器跳过（d-1）个可用输入。这是扩张应该不会起作用的方式吗？

所以我的问题是，以下哪个命题是正确的？

1. 我不了解膨胀和/或规则卷积。
2. Deepmind实际上并没有实现膨胀卷积，而是跨步卷积，但是滥用了膨胀一词。
3. Deepmind确实实现了膨胀卷积，但没有正确实现图表。

我对TensorFlow代码的理解不够流利，无法理解他们的代码到底在做什么，但是我确实在Stack Exchange上发布了一个相关的问题，其中包含一些可以回答这个问题的代码。

根据Wavenet的论文：

"A dilated convolution (also called a trous, or convolution with 
holes) is a convolution where the filter is applied over an area larger 
than its length by skipping input values with a certain step. It is 
equivalent to a convolution with a larger filter derived from the 
original filter by dilating it with zeros, but is significantly more 
efficient. A dilated convolution  effectively allows the network to 
operate on a coarser scale than with a normal convolution. This is 
similar to pooling or strided  convolutions, but 
here the output has the same size as the input. As a special case, 
dilated convolution with dilation 1 yields the standard convolution. 
Fig. 3 depicts dilated causal convolutions for dilations 1, 2, 4, and 
8."

动画显示固定步幅和每层上增加的膨胀因子。

一分钱只是为我滴了下来。在这三个命题中，正确的是四个：我不理解WaveNet的论文。

我的问题是我将WaveNet图解释为涵盖单个样本，以在以2D结构排列的不同样本上运行，其中一维是样本大小，另一个是批数。

但是，WaveNet只是在跨度为1的一维时间序列上运行整个滤波器，这显然具有较小的内存占用空间，但可以完成相同的操作。

如果您尝试使用跨步结构进行相同的操作，则输出尺寸将是错误的。

综上所述，采用2D样本x批处理结构的跨步方法可以提供相同的模型，但具有更高的内存使用率。