Tensorflow 计算卷积中填充的公式pytorch（googlenet）

我正在pytorch中从头开始实现googlenet（较小的版本）。架构如下：

对于下采样模块，我有以下代码：

   class DownSampleModule(nn.Module):
   def __init__(self, in_channel, ch3, w):
       super(DownSampleModule, self).__init__()
       kernel_size = 3
       padding = (kernel_size-1)/2

       self.branch1 = nn.Sequential(
           ConvBlock(in_channel, ch3, kernel_size = 3,stride=2, padding=int(padding))
       )
       self.branch2 = nn.Sequential(
           nn.MaxPool2d(3, stride=2, padding=0, ceil_mode=True)
       )
   def forward(self, x):
       branch1 = self.branch1(x)
       branch2 = self.branch2(x)
      
       return torch.cat([padded_tensor, branch2], 1)

ConvBlock来自此模块

class ConvBlock(nn.Module):
   def __init__(self, in_channels, out_channels, kernel_size, stride, padding):
       super(ConvBlock, self).__init__()
       #padding = (kernel_size -1 )/2
       #print(padding)
       self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding)
       self.bn = nn.BatchNorm2d(out_channels)
       self.act = nn.ReLU()
       
   def forward(self, x):
       x = self.conv(x)
       x = self.bn(x)
       x = self.act(x)
       return x

基本上，我们创建了两个分支：卷积模块和最大池。然后，这两个分支的输出在通道维度上连接

但是，我有以下问题：

• 首先，我们调用

  self.pool1=DownSampleModule（in_channel=80，ch3=80，w=30）

  。这两个分支的尺寸相似。这些是：

• 然而，当我们调用

  self.pool2=DownSampleModule时（在_通道=144，ch3=96，w=15）

  。维度不同，因此无法将其连接起来

有人知道计算正确填充的公式吗？多谢各位

---

在Keras中，您可以只设置padding=“same”或“valid”，但pytorch上不支持它。

您的

maxpool

和

conv

分支具有相同的输入，如果您为它们提供相同的内核大小、步长和填充参数，它们将产生相同的输出。因此，只需将

padding=0

替换为

padding=int（padding）

就足以使这两个分支兼容

ceil\u模式

也应设置为

False

。当结果维度不是整数时，

conv2d

的舍入行为是使用

floor

，因此您希望您的

maxpool

也这样做

---

顺便说一下，您可以删除

nn.Sequential

。你的图层“序列”只由一个图层组成，所以。。。不是很连续：）

太棒了！非常感谢。你帮了大忙。之前，尽管添加了类似的填充，但尺寸却不相同。我刚刚删除了ceil_mode=True。非常感谢。谢谢你指出，我错过了那个细节。更新了我关于ceil_模式的回答

Downsample Convolution:torch.Size([1, 80, 15, 15])
Maxpool Convolution:torch.Size([1, 80, 15, 15])

Downsample Convolution:torch.Size([1, 96, 8, 8])
Maxpool Convolution:torch.Size([1, 144, 7, 7])