pytorch转caffe 踩坑pooling层

maxpooling的计算公式是：

h_o = (h_i + 2 * pad - kernal_size) / stride + 1

w_o = (w_i + 2 * pad - kernal_size) / stride + 1

对于除不尽（输入h_i或卷积核为单数）的情况，pytorch和caffe的处理方式不同，导致最后转出来的结果对不上，出现caffe比pytorch的尺寸大1

在pytorch的maxpool中，有ceil_mode的设置

ceil_mode: when True, will use ceil instead of floor to compute the output shape

如果不设置的话默认使用是floor模式，而caffe只有ceil模式，因此转过来就出问题。

像我的情况是输入240，pytorch设置kernel_size=3, stride=2, padding=1，ceil_mode默认False，输出120，此时caffe同设置下输出121。

解决办法：

若pytorch模型训练之前就发现了这个问题，把pytorch的pooling设置为kernel_size=3, stride=2, padding=0，ceil_mode=True，该方式也是一般caffe的设置方式（如alexnet）

若pytorch模型已经训练完，不做finetune转到caffe，只能手动修改了，注意不能直接把padding设置为0，不能直接把padding设置为0，不能直接把padding设置为0，除非后续还做finetune。因为出来的值会不同。

最蠢的办法是在后面跟一个slice层，把h和w的最后一层切掉就可以了。

耍小聪明的办法是我把caffe的pooling层的实现也改成floor模式，改动比较简单，也方便实现，就不放了。

举个例子，直观点看：

对于一个这样的tensor：

tensor([[[[0., 0., 0., 0., 0., 0.],
          [1., 1., 1., 1., 1., 1.],
          [2., 2., 2., 2., 2., 2.],
          [3., 3., 3., 3., 3., 3.],
          [4., 4., 4., 4., 4., 4.],
          [5., 5., 5., 5., 5., 5.]]]])

pytorch的结果(floor)是：

tensor([[[[1., 1., 1.],
          [3., 3., 3.],
          [5., 5., 5.]]]])

caffe的结果(ceiling)是：

tensor([[[[1., 1., 1., 1.],
          [3., 3., 3., 3.],
          [5., 5., 5., 5.],
          [5., 5., 5., 5.]]]])

如果直接将caffe的padding设为0：

tensor([[[[2., 2., 2.],
          [4., 4., 4.],
          [5., 5., 5.]]]])