Pytorch: conv2d、空洞卷积、maxpool2d、 ConvTranspose2d的输出特征图计算方式

1、conv2d

nn.Conv2d(in_dim, out_dim, kernel_size=3, stride=1, padding=1)

输入为（h1,w1）,输出为（h2,w2）,h2的计算如下，w2同理：

pytorch中如果是3*3的卷积，且步长为1，此时padding设置为1，那么输出特征图大小和输入特征图大小相同。

2、空洞卷积——conv2d

nn.Conv2d(in_dim, out_dim, kernel_size=3, stride=1, padding=2, dilation=2)

与普通卷积的函数相同，只不过多了一个参数dilation需要设置，dilation设置空洞率。

假设输入为（h1,w1）,输出为（h2,w2）

先计算感受野

在计算输出h2

pytorch中如果使用3*3的空洞卷积，且步长为1，此时设置padding=dilation，那么输出特征图与输入特征图大小相同。

3、maxpool2d

nn.MaxPool2d(kernel_size, stride=None, padding=0, dilation=1, return_indices=False, ceil_mode=False)

输入为（h1,w1）,输出为（h2,w2）,h2的计算如下，w2同理：

pytorch中如果使用2*2的最大池化，步长为2，padding为0，dilation=1, 那么输出特征图为输入特征图的一半。注意如果步长为1，输出特征图会减小。

4、ConvTranspose2d

nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)

输入为（h1,w1）,输出为（h2,w2）,h2的计算如下，w2同理：

pytorch中上采样2倍的话，可以使用如下形式，注意此时输出特征图大小可能会和（输入特征图大小*2）的大小不同，需要沿着边界做一下crop。

nn.ConvTranspose2d(in_channels, out_channels, 4, stride=2)

一个简单的crop函数

def crop(data1,data2,crop_h,crop_w):
    _,_,h1,w1 = data1.size()
    _,_,h2,w2 = data2.size()
    assert(h2<=h1 and w2<=w1)
    data = data1[:,:,crop_h:crop_h+h2,crop_w:crop_w+w2]
    return data


# 例子
x = crop(t,x,1,1)

参考链接：

https://blog.csdn.net/qq_41196472/article/details/106332973

https://blog.csdn.net/qq_33757398/article/details/108576229

https://blog.csdn.net/qq_36370187/article/details/103074383

https://blog.csdn.net/qq_33757398/article/details/108576229

https://blog.csdn.net/weixin_43468458/article/details/105064741