【避坑】nn.ConvTranspose2d()后的尺寸问题

最新推荐文章于 2024-05-07 16:15:12 发布
最新推荐文章于 2024-05-07 16:15:12 发布
阅读量3.6k 收藏 9
点赞数 3
分类专栏： 踩过的坑 文章标签： 深度学习 神经网络 机器学习 pytorch
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/weixin_44856492/article/details/109393191
版权

使用反卷积nn.ConvTranspose2d()后尺寸与之前不匹配的问题

  1. 原因分析
    报错：RuntimeError: Sizes of tensors must match except in dimension 2. Got 224 and 223
    分析：在使用torch.cat(x,y)时，x和y维度不一致，一个是224224，一个是223223
    进一步分析：是在用Unet时，解码中用到的反卷积nn.ConvTranspose2d()使得恢复后的尺寸发生了改变
  2. 原理补充
    如果输入尺寸为size_input，输出为size_output，反卷积核大小是k*k，步长为stride，out_padding 表示是对反卷积后的特征图补零（默认为0）。
    那么ConvTranspose2d输出尺寸大小计算公式为：
    size_output = (size_input - 1)stride + k - 2padding + outpadding
  3. 解决办法
    令outpadding = 1
金石zzz
关注
  • 3
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
torch实现自编码器-Pytorch卷积自动编码器
04-19
nn.ConvTranspose2d(16, 16, 3, stride=2, padding=1, output_padding=1), # batch x 16 x 32 x 32 nn.ReLU(), nn.BatchNorm2d(16), nn.ConvTranspose2d(16, 3, 3, stride=1, padding=1, output_padding=0), # ...
基于Pytorch的带卷积的自动编码器模型建立训练以及测试实现
最新发布
05-08
nn.ConvTranspose2d(in_channels=32, out_channels=16, kernel_size=3, stride=1, padding=1, output_padding=1), nn.ReLU(), nn.Upsample(scale_factor=2), nn.ConvTranspose2d(in_channels=16, out_channels=1...
pytorch 反卷积ConvTranspose2d
qq_48345413的博客
11-08 924
pytorch 反卷积ConvTranspose2d 文章目录pytorch 反卷积ConvTranspose2d 引入nn.convTranspose2d nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1) #in_channels(int) – 输入信号的通道数 #out_channels
ConvTranspose2d 输出尺寸计算方法
adaadadsa的博客
06-27 2962
转自：https://www.jianshu.com/p/3ca870451d74 torch.nn.ConvTranspose2d类输出尺寸计算方法 torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros') inchannels = 64 out
【PyTorch单点知识】深入理解与应用转置卷积ConvTranspose2d模块
m0_49963403的博客
05-07 3261
基于PyTorch模块通过实例介绍转置卷积ConvTranspose
反卷积（转置卷积）Conv2DTranspose 输出的尺寸大小
weixin_39393430的博客
05-10 1428
keras的Conv2DTranspose The size of the input feature map: (N, N) Conv2dTranspose(kernel_size=k, padding, strides=s) padding=‘same’ ，输出尺寸 = N × s padding=‘valid’，输出尺寸 = (N-1) × s + k
pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数 out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride=1, #卷积步长，就是卷积操作时每次移动的格子数 padding=0, #原图周围需要填充的格子行（列）数 output_padding=0, #输出特征图边缘需要填充的行（列）数，一般不设置 groups=1, #分组卷积的组数，一般默认设置为1，不用管 bias=Tru
计算nn.Conv2d与nn.ConvTranspose2d 输出尺寸
qq_40241443的博客
04-18 1279
m = nn.Conv2d(64, 192, kernel_size=(6, 6), stride=(4, 4), padding=(1, 1)) nn.Conv2d: out_size = （in_size - K + 2P）/ S +1 n = nn.ConvTranspose2d(192,64,kernel_size=(6, 6), stride=(4, 4), padding=(1, 1)) nn.ConvTranspose2d: out_size = (in_size -1)*S+-.
Tensorflow中Conv2D和Conv2DTranspose前后尺寸的变化
cocofisher的博客
03-04 1065
Conv2D： 参数为padding=′valid′padding='valid'padding=′valid′时， output=⌊input−kernel_size⌋/2+1output=\lfloor input-kernel\_size \rfloor/2+1output=⌊input−kernel_size⌋/2+1 参数为padding=′same′padding='same'padd...
nn.ConvTranspose2d 逆卷积 反卷积
01-06
本文转摘于如下链接： 逆卷积的详细解释ConvTranspose2d（fractionally-strided convolutions) ...torch.nn.ConvTranspose2d(in_channels, out_channels, kernel
DCGAN生成艺术图片迷宫游戏图片.zip
05-13
class generator(nn.Module): def __init__(self): super(generator, self).__init__() ... nn.ConvTranspose2d(in_channels=args.gf * 8, out_channels=args.gf * 4, kernel_size=4, stride=2, padding=1), nn.B
pytorch卷积、反卷积 - download from internet.pdf
09-14
在PyTorch中，卷积和反卷积操作可以通过`torch.nn.Conv2d`和`torch.nn.ConvTranspose2d`模块实现，而池化操作则可以通过`torch.nn.MaxPool2d`和`torch.nn.AvgPool2d`实现。在构建网络时，可以灵活地调整这些层的参数...
解决U-net上采样过程后，结合下采样信息时特征图大小不匹配问题
sinat_39307513的博客
11-27 1万+
在U-net下采样后时，通过polling层，可能会出现这种情况，37*37feature maps 压缩成18*18大小，但在上采样过程中，利用 nn.ConvTranspose2d()通常变为36*36大小的feature maps,不同大小的feature maps在进行concat时会报错。 解决这种问题可以采用追加一个反卷积过程，在判断到两个过程得到的feature maps大小不...
ConvTranspose2d转置卷积输出大小计算
lllllliiiii_blog
08-13 1070
转置卷积
转置卷积nn.ConvTranspose2d
qq_43733107的博客
09-18 559
转置卷积
图像下采样再上采样维度不匹配
qq_43733107的博客
11-29 1930
图像下采样再上采样维度不匹配
PyTorch ConvTranspose2d 的定义与计算过程
既然选择了远方 便只顾风雨兼程 - 永强
12-06 2886
PyTorch ConvTranspose2d 的定义与计算过程
pytorch版本兼容问题
read, note and comment papers
05-28 2679
今天用pytorch1.8跑官方版本Neighbor2Neighbor的时候报了这个错： TypeError: conv_transpose2d(): argument 'output_padding' (position 6) must be tuple of ints, not tuple 发现问题出在nn.ConvTranspose2d上，代码是这样写的： self.deconv = nn.ConvTranspose2d(in_nc, out_nc, 2, 2, 0, False) 很奇.
RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 58 but got size 57 fo
热门推荐
梦在黎明破晓时的博客
11-13 1万+
在使用yolo v5n进行网络训练时使用的，在第12层Concat处连接第11层和第6层的Feature Map时出现维度不同的问题。
nn.ConvTranspose2d与nn.Upsample
07-29
nn.ConvTranspose2d和nn.Upsample是PyTorch中用于上采样（上取样）操作的两种常见方式。 nn.ConvTranspose2d是一个转置卷积层，也被称为反卷积层。它可以将输入张量的空间维度（宽度和高度）放大，同时保持通道数不变。它通过在输入张量上应用反向卷积操作来实现上采样。ConvTranspose2d的主要参数是输入通道数、输出通道数、卷积核大小和步幅。 nn.Upsample是一种简单的上采样操作。它通过插值方法将输入张量的空间维度放大。nn.Upsample的主要参数是目标输出大小和插值方法。常见的插值方法包括最近邻插值（nearest neighbor interpolation）和双线性插值（bilinear interpolation）。 这两种方法在上采样过程中有一些区别。nn.ConvTranspose2d可以学习从低分辨率特征图生成高分辨率特征图的映射，因此在一些任务中可以获得更好的效果。然而，nn.ConvTranspose2d的计算成本较高，可能需要更多的参数和计算资源。相比之下，nn.Upsample是一种简单且快速的上采样方法，但它不能学习如何生成高分辨率特征图。 在实际应用中，选择使用nn.ConvTranspose2d还是nn.Upsample取决于任务的需求和资源的限制。如果需要更高的上采样质量且有足够的计算资源，可以尝试使用nn.ConvTranspose2d。如果对速度要求较高或者只需要简单的上采样操作，可以选择使用nn.Upsample。
评论 3
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