python进阶教程：pytorch中的卷积和池化计算方式详解

@本文来源于公众号：csdn2299，喜欢可以关注公众号 程序员学府
TensorFlow里面的padding只有两个选项也就是valid和same

pytorch里面的padding么有这两个选项，它是数字0,1,2,3等等，默认是0

所以输出的h和w的计算方式也是稍微有一点点不同的：tf中的输出大小是和原来的大小成倍数关系，不能任意的输出大小；而nn输出大小可以通过padding进行改变

nn里面的卷积操作或者是池化操作的H和W部分都是一样的计算公式：H和W的计算

class torch.nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False):
"""
Parameters: 
  kernel_size – the size of the window to take a max over
  stride – the stride of the window. 默认值是kernel_size
  padding – implicit zero padding to be added on both side,默认值是0
  dilation – a parameter that controls the stride of elements in the window，默认值是1
  return_indices – if True, will return the max indices along with the outputs. Useful when Unpooling later
  ceil_mode – when True, will use ceil instead of floor to compute the output shape，向上取整和向下取整，默认是向下取整
"""

不一样的地方在于：第一点，步长stride默认值，上面默认和设定的kernel_size一样，下面默认是1；第二点，输出通道的不一样，上面的输出通道和输入通道是一样的也就是没有改变特征图的数目，下面改变特征图的数目为out_channels

class tor