Image processing 为什么翻转图像会改变CNN池输出

我正在研究图像嵌入，想知道为什么翻转图像会改变输出。考虑RESNET18，删除头部，例如：

导入火炬
导入torch.nn作为nn
将torchvision.models导入为模型
设备=torch.device（“cuda”）如果torch.cuda.可用（）否则torch.device（“cpu”）
model=models.resnet18（预训练=True）
model.fc=nn.Identity（）
模型=模型到（设备）
model.eval（）
x=火炬.randn（20,3,128,128）.to（设备）
使用手电筒。无梯度（）
y1=型号（x）
y2=型号（x.1）
y3=型号（x.2））

最后一层看起来像这样，最重要的是有一个

AdaptiveAveragePooling

作为最后一层，其中像素/特征被汇集到1个像素上：

根据我的想法，因为我们只是在卷积的基础上进行卷积，在合并之前，将发生的只是特征映射将根据图像的翻转方式进行翻转。平均池只是对最后一个特征贴图（沿每个通道）进行平均，并对其方向保持不变

AdaptiveMaxPool

应该是相同的

“正常”convnet之间的关键区别在于，我们将池化/平均化为一个像素宽度

---

但是，当我查看

y1-y2

，

y1-y3

，

y2-y3

时，值与零显著不同。我想错了什么？

我认为池输出发生了变化，因为池层的输入没有像我们预期的那样传递

简短回答：翻转输入，但不翻转Conv2d层的权重。这些内核权重也需要根据输入翻转来获得预期的输出

详细回答：这里，根据模型的尾部，

Conv2d

的输出被传递到

AdaptiveAveragePooling

。为了便于理解，我们暂时忽略

BatchNorm

为简单起见，考虑输入张量为<代码> x=（1, 3, 5，4, 7）< /代码>，内核为代码> k＝[ 0.3，0.5，0.8 ] < /代码>。当它滚动输入时，位置[0,0]的输出将为[0.3*1+0.5*3+0.8*5]=6.8，[0,2]将为[0.3*5+0.5*4+0.8*7]=9.3，考虑到

stride=1

现在如果输入被翻转，

x_flip=[7,4,5,3,1]

，位置[0,0]的输出将是[0.3*7+0.5*4+0.8*5]=8.1，[0,2]将是[0.3*5+0.5*3+0.8*1]=3.8

由于两种情况下输出的头和尾都不同（8.1！=9.3和6.8！=3.8），我们在卷积层后得到的输出将不同，在合并后的最终输出将产生不同/意外的结果

因此，要在这里获得所需的输出，还需要翻转内核