Neural network 计算Pytorch中3D CNN的填充

我目前正在尝试将3D CNN应用于一组尺寸为193 x 229 x 193的图像，并希望通过每个卷积层保留相同的图像尺寸（类似于tensorflow的

padding=same

）。我知道填充可以按如下方式计算：

S=Stride
P=Padding
W=Width
K=Kernal size

P = ((S-1)*W-S+K)/2

第一层的填充为1：

P = ((1-1)*193-1+3)/2
P= 1.0

尽管我还得到了后续每个层的

1.0

结果。有人有什么建议吗？对不起，这里是初学者

可复制示例：

import torch
import torch.nn as nn

x = torch.randn(1, 1, 193, 229, 193)

padding = ((1-1)*96-1+3)/2
print(padding)

x = nn.Conv3d(in_channels=1, out_channels=8, kernel_size=3, padding=1)(x)
print("shape after conv1: " + str(x.shape))
x = nn.Conv3d(in_channels=8, out_channels=8, kernel_size=3,padding=1)(x)
x = nn.BatchNorm3d(8)(x) 
print("shape after conv2 + batch norm: " + str(x.shape))
x = nn.ReLU()(x)
print("shape after reLU:" + str(x.shape))
x = nn.MaxPool3d(kernel_size=2, stride=2)(x)
print("shape after max pool" + str(x.shape))
x = nn.Conv3d(in_channels=8, out_channels=16, kernel_size=3,padding=1)(x)
print("shape after conv3: " + str(x.shape))
x = nn.Conv3d(in_channels=16, out_channels=16, kernel_size=3,padding=1)(x)
print("shape after conv4: " + str(x.shape))

电流输出：

shape after conv1: torch.Size([1, 8, 193, 229, 193])
shape after conv2 + batch norm: torch.Size([1, 8, 193, 229, 193])
shape after reLU:torch.Size([1, 8, 193, 229, 193])
shape after max pooltorch.Size([1, 8, 96, 114, 96])
shape after conv3: torch.Size([1, 16, 96, 114, 96])
shape after conv4: torch.Size([1, 16, 96, 114, 96])

期望输出：

shape after conv1: torch.Size([1, 8, 193, 229, 193])
shape after conv2 + batch norm: torch.Size([1, 8, 193, 229, 193])
...
shape after conv3: torch.Size([1, 16, 193, 229, 193])
shape after conv4: torch.Size([1, 16, 193, 229, 193])

---

TLDR；您的公式也适用于

您正在使用内核大小为

2

（隐式

（2,2,2）

）的最大池层，跨步为

2

（隐式

（2,2,2）

）。这意味着对于每个

2x2x2

块，您只能得到一个值。换句话说-顾名思义：只有来自每个

2x2x2

块的最大值被汇集到输出数组中

这就是为什么要从

（1,8193229193）

到

（1,8,96,114,96）

（注意除以

2

）

当然，如果您在

nn.MaxPool3d

上设置

kernel\u size=3

和

stride=1

，您将保留块的形状

---

让

#x

作为输入形状，

#w

作为内核形状。如果我们希望输出具有相同的大小，那么

#x=floor（（#x+2p-#w）/s+1）

需要为true。这是

2p=s（#x-1）-#x+#w=#x（s-1）+#w-s

（你的公式）

由于

s=2

和

#w=2

，因此

2p=#x

，这是不可能的