Tensorflow中conv2d的两种padding方式（SAME与VALID）选择以及与Pytorch中对比

已于 2022-11-15 17:12:08 修改
阅读量2.3k 收藏 7
点赞数 2
文章标签： pytorch tensorflow 深度学习
于 2022-11-15 16:53:34 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gouchen_/article/details/127868850
版权

说明

自己的学习总结，参考了其他一些博客并加上了自己的一些理解，所以有部分直接复制的内容变量表示会不同（侵删），如有谬误，欢迎指正

基础知识

变量表示

输入图片的宽和高：i_w 和 i_h
输出特征图的宽和高：o_w 和 o_h
过滤器的宽和高：f_w 和 f_h
宽和高方向的步长：s_w 和 s_h
宽和高方向总的补零个数：pad_w 和 pad_h
顶部和底部的补零个数：pad_top 和 pad_bottom
左部和右部的补零个数：pad_left 和 pad_right

padding参数的作用是决定在进行卷积或池化操作时，是否对输入的图像矩阵边缘补0。

计算公式

正卷积

在正卷积时，一般我们希望卷积输入形状为输出形状的几倍，例如输入 256_256，输出 128_128，所以 o_w = i_w / s_w，又有 o_w = (i_w - f_w + pad_w) / s_w + 1， 所以可以得出 pad_w = f_w - s_w，pad_h 类推。

反卷积

同理，在反卷积时，我们希望卷积输出形状为输入形状的几倍，例如输入 8_8，输出 256_256，所以 o_w = i_w * s_w，又有 o_w = i_w * s_w + f_w - s_w - pad_w， 所以可以得出 pad_w = f_w - s_w 不变，pad_h 类推。

SAME和VALID解释

VALID：边缘不填充

VALID方式就是这个单词的意思，也就是不进行填充，对于多出来的数据，直接丢掉

向上取整是为了1/strides_width一定是取1，这里的“1”是因为filter即使一步不动，原本也会有一步的输出

输入宽和高的公式分别为：
output_width=(in_width-filter_width+1)/strides_width #(结果向上取整)
output_height=(in_height-filter_height+1)/strides_height #(结果向上取整)

等价于：
output_width=(<
最低0.47元/天 解锁文章
gouchen_
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
在本篇中，我们将深入探讨`nn.Conv2d()`中的`padding`以及它如何影响输出大小。 首先，让我们理解`padding`的概念。在卷积神经网络（CNN）中，`padding`是在输入数据边缘添加额外的零（或其他数值）的过程，目的是...
Conv2d中的stride和padding参数的使用
m0_51816252的博客
05-31 4995
Conv2d中最常用的参数就是in_channels ，out_channels ，kernel_size ，stride ，padding 这5个，往往需要我们手动输入，本文结合代码介绍了stride和padding参数的使用。
pytorch conv中的padding
rocking_struggling的博客
06-13 5006
总结：没有padding="same"等固定模型，需要自己计算padding是多少， 当padding=(1,1)在外围上下左右各加了一层，详情见如下转载的博客： 原文链接：https://blog.csdn.net/g11d111/article/details/82665265 一. Caffe、Tensorflow的padding策略 在之前的转载过的一篇文章——《tensorflow ckpt文件转caffemodel时遇到的坑》提到过，caffe的padding方式和tensorflow的padd
nn.Conv2d中padding详解【pytorch学习】
肥宅Sean
11-09 2万+
简述 在网上看了很多的解释，自己又大致的理解了一下之后明白了。 文章目录简述卷积加上padding的卷积1.使得整个图大小不会发生变化。2.使得整个图大小不会发生变化。关于padding的数值引用 卷积 首先我们得明白什么是卷积。 但是由于我们这里只想要推理padding的大小，所以只会讨论这个大小的问题。 (n,n)和(n, n)的矩阵相乘，规模任然是(n, n)。 我们知道，卷积的过程，其实...
CNN基础知识
qq_33526880的博客
09-12 786
这个卷积层将卷积核的高和宽都设置为1，这样在卷积的时候不用考虑元素周围的东西，输入数据和输出数据的高宽是相等的，只是通道的维度改变。卷积层我们学习的结果就是kernel和bias，而池化层就不用学习kernel因为它已经给kernel定义好了，分别为sum,avg,max。2，输出的维度小于输入的维度。而通常我们都需要做许多层的卷积，总不能把数据越搞越小，所以要将数据进行填充，通常填充0。所以通常情况下会取卷积核的size为奇数，使得填充为偶数，这样上下填充的就比较对称了。k为卷积核，h为高，w为宽。
conv2d函数的padding参数解释
流年寂寞了沧桑的博客
01-02 4884
conv2d函数原型：     tf.nn.conv2d ( input,  filter,  strides,  padding,  use_cudnn_on_gpu=None,  name=None ) 参数说明：     input：输入图像，shape为 [ batch,  in_height,   in_width,  in_channels ]，例如 [ 1,
基于pytorch padding=SAME的解决方式
09-17
然而，PyTorch的`torch.nn.Conv2d`函数默认并没有提供直接对应`padding='SAME'`的选项。本文将探讨如何在PyTorch中实现类似的效果。 首先，理解`padding='SAME'`的含义：在卷积操作中，如果设置`padding='SAME'`，...
在Pytorch中计算卷积方法的区别详解(conv2d的区别)
09-18
`Conv2d`是PyTorch中的一个关键模块，它允许我们定义一个2D卷积层，而`F.conv2d`是PyTorch的函数接口，用于执行卷积操作。虽然两者在功能上相似，但它们的使用场景和灵活性有所不同。 **1. torch.nn.Conv2d** `nn....
TensorFlow tf.nn.conv2d实现卷积的方式
09-18
今天小编就为大家分享一篇TensorFlow tf.nn.conv2d实现卷积的方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
tf.nn.conv2d中padding=same规则介绍
theadore2017的博客
07-09 8655
转自：https://blog.csdn.net/zuoyouzouzou/article/details/101871895 文章来源：《深度学习之TensorFlow：入门、原理与进阶实战》 padding属性的意义是定义元素边框和元素内容之间的空间。 在tf.nn.conv2d函数中，当变量padding为VALID和SAME，函数具体是怎么计算的呢？其实是有公式的。为了方便演示，先定义几个变量： 输入的尺寸高和宽定义成：in_height，in_width 卷积核的高和宽定义成filter
PyTorch学习笔记(9)——nn.Conv2d和其中的padding策略
热门推荐
g11d111的博客
09-12 16万+
一. Caffe、Tensorflow的padding策略 在之前的转载过的一篇文章——《tensorflow ckpt文件转caffemodel时遇到的坑》提到过，caffe的padding方式和tensorflow的padding方式有很大的区别，输出无法对齐。这是为什么呢？ 下面简单回顾一下： 卷积操作输出的形状计算公式是这样的： output_shape = (image_shap...
nn.Conv2d参数详解及输入特征图尺寸的计算
蜗牛在奔跑的博客
05-06 9993
kernel_size：卷积核的大小，通常为正方形，可以是单个整数表示正方形大小，也可以是一个元组（tuple）表示不同宽度和高度的大小，如 (3, 5) 表示宽度为 3 个像素，高度为 5 个像素的卷积核；需要注意的是，卷积层的参数选择也会影响特征图的大小。比如，在使用大尺寸的卷积核进行卷积时，会使得特征图的尺寸减小，而使用小尺寸的卷积核则会使得特征图的尺寸增加。其中，W 表示输入特征图的宽度，H 表示输入特征图的高度，K 表示卷积核的大小，P 表示 padding 的大小，S 表示卷积核的步幅。
TensorFlow中padding=‘SAME’的具体实现（Conv1D一维卷积）
crystal_sugar的博客
04-30 5711
https://blog.csdn.net/zyl681327/article/details/95587655?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2&utm_source=distribute.pc_relevant.none-task-blog...
【Pytorch】torch.nn.functional.conv2d（F.conv2d） same padding实现方法（输入与输出大小相同）
qq_43426078的博客
04-07 4079
Motivation 在做图像退化的时候发现pytorch早期版本不支持same padding（新版本是有padding = 'same'这个选项的，但是本人试了也没成功，暂时没找到原因）。于是去查有没有办法自己实现一下same padding。 torch.nn.functional.conv2d 详解 官方文档写的非常清楚，直接贴上来 实现方法 由于F.conv2d的padding最多只支持两个参数（对称填充），有些输出大小没办法实现。因此可以通过F.pad()先做填充，再用F.conv2d做卷积。
pytorch中Conv2d中模块的padding 参数使用
说文科技，做有态度的研究。
08-11 612
Conv2d中padding参数的使用
TensorFlow学习笔记(1)——conv2d函数的padding参数详解
zchang81的博客
03-10 6411
详细解释在卷积神经网络中，padding参数在使用中的，对输入图片的填充细节。
CNN中的conv2d中的两种padding计算方法
自动驾驶行业学习、交流
07-23 1293
目录padding='VALID'padding='SAME'ref padding=‘VALID’ new_height=new_width=[(W−F+1)S]new\_height=new\_width=[\frac{(W-F+1)}{S}]new_height=new_width=[S(W−F+1)​] padding=‘SAME’ new_height=new_width=[WS]new\_height=new\_width=[\frac{W}{S}]new_height=new_width=[S
tf.nn.conv2d()函数以及padding填充方式介绍
MirrorN的博客
11-20 8841
tf.nn.conv2d()函数中填充方式的理解 本篇的主要内容： tf.nn.conv2d()函数 tf.nn.conv2d()函数中padding的SAME填充方式 tf.nn.conv2d()函数 tf.nn.conv2d()是TensorFlow中用于创建卷积层的函数，这个函数的调用格式如下： def conv2d(input: Any, filter: Any,...
nn.Conv2d()参数说明、输入输出
最新发布
qq358660877的博客
07-26 345
1.参数说明2.输入输出参数计算 若没有设置dilation:3.pytorch实现padding='SAME'解决方法 tensorflow中的conv2有padding=‘SAME’这个参数。吴恩达讲课中说到当padding=(ks-1)/2(ks为卷积核大小)时则是SAME策略。但是这个没有考虑到空洞卷积的情况，也没有考虑到strides的情况。 参考链接： 1.nn.conv2d方法介绍...
tensorflow中conv2d函数
06-01
在 TensorFlow 中，`tf.nn.conv2d` 函数实现了二维卷积操作。该函数接受四个输入参数： - `input`：输入张量，它的形状是 `[batch, in_height, in_width, in_channels]`，其中 `batch` 表示批次大小，`in_height` 和 `in_width` 表示输入张量的高度和宽度，`in_channels` 表示输入张量的通道数。 - `filter`：卷积核张量，它的形状是 `[filter_height, filter_width, in_channels, out_channels]`，其中 `filter_height` 和 `filter_width` 表示卷积核的高度和宽度，`in_channels` 和 `out_channels` 分别表示输入和输出张量的通道数。 - `strides`：卷积核在输入张量上移动的步长，它是一个长度为 4 的一维整数数组，其中第一个和最后一个元素必须为 1，中间两个元素分别表示在输入张量的高度和宽度上的步长。 - `padding`：卷积操作的填充方式，可以是 `"SAME"` 或 `"VALID"`，分别表示使用零填充或不使用填充。 该函数的返回值是一个形状为 `[batch, out_height, out_width, out_channels]` 的张量，其中 `out_height` 和 `out_width` 分别表示输出张量的高度和宽度。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值