PyTorch中nn.ConvTranspose2d如何使用circular填充模式？

截至2024年，PyTorch官方确实未为nn.ConvTranspose2d实现padding_mode='circular'，但可以通过两种手动方式模拟该效果：

方法一：手动预填充输入再调用普通ConvTranspose2d #

转置卷积的padding逻辑与普通卷积相反，要实现circular填充，可先对输入做循环填充，再使用padding_mode='zeros'的转置卷积（无需额外设置padding参数，避免重复填充）。

示例代码：

import torch
import torch.nn.functional as F
import torch.nn as nn

nz = 100
ngf = 64

# 示例输入：latent vector转换后的4D张量 (batch_size, nz, 1, 1)
input = torch.randn(2, nz, 1, 1)

# 根据转置卷积参数计算填充尺寸：kernel_size=4、stride=1，需在H/W两侧各填充3（4-1=3）
padded_input = F.pad(input, (3, 3, 3, 3), mode='circular')

# 调用无padding的转置卷积
conv_trans = nn.ConvTranspose2d(nz, ngf * 16, 4, 1, 0, bias=False)
output = conv_trans(padded_input)

注意：填充尺寸需根据你的转置卷积参数（kernel_size、stride、output_padding等）调整，核心是让预填充后的输入经过转置卷积后，输出尺寸符合预期，同时模拟circular边界处理。

方法二：用普通Conv2d模拟转置卷积的circular填充效果 #

转置卷积可看作普通卷积的转置操作，你可以将转置卷积的权重转置后，对输入做circular填充的普通卷积，等价实现circular填充的转置卷积效果。

示例代码：

import torch
import torch.nn as nn
import torch.nn.functional as F

nz = 100
ngf = 64

# 定义原转置卷积层用于获取权重
conv_trans = nn.ConvTranspose2d(nz, ngf * 16, 4, 1, 0, bias=False)
# 转置权重：转置卷积权重格式为[out_channels, in_channels, kH, kW]，转置后变为[in_channels, out_channels, kH, kW]
weight = conv_trans.weight.transpose(0, 1)

input = torch.randn(2, nz, 1, 1)
# 调用带circular填充的普通卷积，padding=3匹配kernel_size=4的循环填充需求
output = F.conv2d(input, weight, bias=None, stride=1, padding=3, padding_mode='circular')

该方法需手动处理权重转置和尺寸计算，适合对转置卷积底层逻辑熟悉的场景。

内容的提问来源于stack exchange，提问作者yx feng