PyTorch'；是否真的没有padding=相同的选项；那是什么？

我目前正致力于建立一个卷积神经网络（CNN），它将处理时间序列数据

更具体地说，数据是形状

（100,40）

的财务数据，其中

100

表示100个时间戳，

40

表示40个特征

我使用的CNN使用了非对称的内核大小（即

1x2

和

4x1

）和非对称的步幅（即

1x2

用于

1x2

层，

1x1

用于

4x1

层）

为了保持高度标注保持在

100

，我需要对数据应用一些填充。我正在研究如何做到这一点，并注意到使用TensorFlow或Keras的人只需做

padding='same'

，但根据我发现的许多资源，PyTorch中显然没有这个选项，包括

我发现，根据和，我可以手动计算我需要填充数据的方式，并可以用来解决我的问题，因为普通层似乎不支持不对称填充（我认为我需要的总填充高度为3，宽度为0）

我为测试这一点而编写的实验代码如下：

import torch
import torch.nn as nn

conv = nn.Conv2d(1, 1, kernel_size=(4, 1))
pad = nn.ZeroPad2d((0, 0, 2, 1)) # Add 2 to top and 1 to bottom.

x = torch.randint(low=0, high=9, size=(100, 40))
x = x.unsqueeze(0).unsqueeze(0)

y = pad(x)

x.shape # (1, 1, 100, 40)
y.shape # (1, 1, 103, 40)

print(conv(x.float()).shape)
print(conv(y.float()).shape)

# Output
# x -> (1, 1, 97, 40)
# y -> (1, 1, 100, 40)

正如您所看到的，它确实在维度大小保持不变的意义上起作用。然而，我一直在想，是否真的没有

padding='same'

选项？另外，我们如何知道是将衬垫2应用于顶部还是底部

多谢各位

---

编辑

---

这有点晚了，但如果有人好奇我是如何解决这个问题的，我基本上手动添加了填充，以模拟

padding=same

选项。

我不久前也遇到过同样的问题，所以我自己用

ZeroPad2d

层实现了它，就像您尝试的那样。以下是正确的公式：

from functools import reduce
from operator import __add__

kernel_sizes = (4, 1)

# Internal parameters used to reproduce Tensorflow "Same" padding.
# For some reasons, padding dimensions are reversed wrt kernel sizes,
# first comes width then height in the 2D case.
conv_padding = reduce(__add__, 
    [(k // 2 + (k - 2 * (k // 2)) - 1, k // 2) for k in kernel_sizes[::-1]])

pad = nn.ZeroPad2d(conv_padding)
conv = nn.Conv2d(1, 1, kernel_size=kernel_sizes)

print(x.shape) # (1, 1, 103, 40)
print(conv(y.float()).shape) # (1, 1, 103, 40)

---

此外，正如@akshayk07和@Separius所提到的，我可以证实，正是pytorch的动态特性让它变得困难。是Pytorch开发人员关于这一点的帖子。

看一看，它会给你一个线索。实际上，由于Tensorflow的静态计算图，这一特性在Tensorflow中是可能的。在PyTorch中，有一个动态计算图，因此可能很难实现（否则他们可能已经实现了）。正如你所说，在

nn.Conv2D

中，只有对称填充，但不同的填充可以沿不同的维度进行。我认为@akshayk07是正确的，pytorch的动态特性让它很难实现；下面是pytorch中“相同”填充的一个很好的实现（用于2d conv）：