溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
tensorflow中的conv2有padding=‘SAME'這個參數。吳恩達講課中說到當padding=(f-1)/2（f為卷積核大小）時則是SAME策略。但是這個沒有考慮到空洞卷積的情況，也沒有考慮到strides的情況。
查閱資料后發現網上方法比較麻煩。
手算，實驗了一個早上，終于初步解決了問題。
分為兩步：
填充多少
中文文檔中有計算公式：
輸入：
輸出：
因為卷積后圖片大小同卷積前，所以這里W_out=W_in, H_out=H_in。解一元一次方程即可。結果取ceil。
怎么填充
torch是先填充再卷積。conv2d的策略如此。所以我先在forward中獲取上述方程需要的參數。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())
有兩個發現
pad是對稱的兩邊都填充的，所以上述總共填充2行/列
參數中padding=(1,0)的效果，與F.pad(t2, (0,0,1,1)的效果一樣。而不是與F.pad(t2,1,1,0,0)效果一樣。很神奇。本來(1,0)按照解視是1是H邊（左右）。0是W邊（上下）。（0，0，1，1）按解釋是左右不填充，上下填充。結果剛好相反。
這樣應該就沒什么問題了。
之后還需要看反卷積跟池化的pooling='SAME'是怎么實現的。
以上這篇基于pytorch padding=SAME的解決方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
