用于计算卷积pytorch（googlenet）中的填充的公式

Question

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

对于下采样模块，我具有以下代码：

   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，我们正在创建两个分支：卷积模块和最大池。然后，将这两个分支的输出串联在通道维度上。

但是，我遇到以下问题：

• 首先，我们叫self.pool1 = DownSampleModule(in_channel=80, ch3 = 80, w=30)。两个分支的尺寸相似。这些是：

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

• 但是，当我们致电self.pool2 = DownSampleModule(in_channel = 144, ch3 = 96, w=15)时。尺寸各不相同，因此无法将其串联起来。

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

有人知道计算正确填充的公式吗？谢谢。

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

Answer 1

您的maxpool和conv分支具有相同的输入，如果为内核大小，步幅和填充赋予相同的参数，它们将产生形状相同的输出。因此，仅将padding = 0替换为padding = int(padding)就足以使两个分支都兼容。

ceil_mode也应设置为False。当结果维不是整数时，conv2d的舍入行为将使用floor，因此您希望maxpool也这样做。

顺便说一句，您可以删除自己的nn.Sequential。您的层“序列”仅由一层组成，所以...不是真正的序列：）