Deep learning 连接Pytork上的googlenet分支（不同尺寸）

有没有什么方法可以连接一个小inception（谷歌网）的不同维度的分支

例如，在32 x 32 x 3图像（torch.Size（[1,3,32,32]）上，它将通过具有以下分支的初始模块：

• 具有（32个通道，1 x 1个滤波器）的卷积
• 另一个卷积（32个通道，3个x3滤波器）
• 合并（沿通道维度连接）

然而问题是，由于这两种卷积，焊炬的尺寸是不同的。 （32通道，1 x 1滤波器）->[1,32,30,30] （32个通道，3个x3滤波器）->[1,32,28,28]

如何连接这两个分支？ 我应该加衬垫吗？我试过ZeroPad2d。它不起作用了

供参考：

class Inception(nn.Module):
def __init__(self, in_channel, ch1, ch3):
    super(Inception, self).__init__()
    self.branch1 = nn.Sequential(
        ConvBlock(in_channel, ch1, kernel_size = 1,stride=1, padding=0)
    )
    
    self.branch2 = nn.Sequential(
        ConvBlock(in_channel, ch3, kernel_size = 3,stride=1, padding=0)
    )
    
def forward(self, x):
    branch1 = self.branch1(x)
    branch2 = self.branch2(x)
    return torch.cat([branch1, branch2], 1) *(error here)*

---

您需要匹配内核大小和填充

对于

kernel\u size=1

不需要填充，但是对于

kernel\u size=3

您需要填充为1：

self.branch2=nn.Sequential(
ConvBlock（在通道中，ch3，内核大小=3，步幅=1，填充=1）
)

---

有关更多详细信息，请参阅。

您需要匹配内核大小和填充

对于

kernel\u size=1

不需要填充，但是对于

kernel\u size=3

您需要填充为1：

self.branch2=nn.Sequential(
ConvBlock（在通道中，ch3，内核大小=3，步幅=1，填充=1）
)

---

有关更多详细信息，请参阅。

到目前为止效果良好。谢谢，到目前为止，你做得很好。谢谢你的更新，我已经找到了解决方案。您必须计算正确的填充值。因为这个卷积块的步长为1，所以填充正好是（kernel_size-1）/2。如果我没有弄错的话，这相当于在keras中填充class='same'。作为这里的更新，我已经找到了解决方案。您必须计算正确的填充值。因为这个卷积块的步长为1，所以填充正好是（kernel_size-1）/2。如果我没弄错的话，这相当于在keras中填充class='same'。