基于pytorch padding=SAME的解决方式
tensorflow中的conv2有padding=‘SAME'这个参数。吴恩达讲课中说到当padding=(f-1)/2（f为卷积核大小）时则是SAME策略。但是这个没有考虑到空洞卷积的情况，也没有考虑到strides的情况。
查阅资料后发现网上方法比较麻烦。
手算，实验了一个早上，终于初步解决了问题。
分为两步：
填充多少
中文文档中有计算公式：
输入：
输出：
因为卷积后图片大小同卷积前，所以这里W_out=W_in, H_out=H_in。解一元一次方程即可。结果取ceil。
怎么填充
torch是先填充再卷积。conv2d的策略如此。所以我先在forward中获取上述方程需要的参数。然后使用torch.nn.functional.pad填充就好了。
然后
t2=torch.randn([1,1,4,4])
print(t2.size())
m1 = torch.nn.Conv2d(1, 1, 1, padding=(1,0))
print(m1(t2).size()）
t2=F.pad(t2,(0,0,1,1))
print(t2.size())
有两个发现
pad是对称的两边都填充的，所以上述总共填充2行/列
参数中padding=(1,0)的效果，与F.pad(t2, (0,0,1,1)的效果一样。而不是与F.pad(t2,1,1,0,0)效果一样。很神奇。本来(1,0)按照解视是1是H边（左右）。0是W边（上下）。（0，0，1，1）按解释是左右不填充，上下填充。结果刚好相反。
这样应该就没什么问题了。
之后还需要看反卷积跟池化的pooling='SAME'是怎么实现的。
以上这篇基于pytorch padding=SAME的解决方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。
您可能感兴趣的文章:详解Python3中ceil()函数用法pytorch中使用cuda扩展的实现示例Pytorch maxpool的ceil_mode用法
