PyTorch与Keras二维卷积结果不一致，求等效Keras实现

1. 参数映射与手动Padding配置 #

先明确PyTorch与Keras的参数对应关系，由于Keras不支持在Conv2D中直接设置不对称padding，需手动前置padding层：

• 通道对应：PyTorch的in_channels=int(filters*s)对应Keras输入张量的通道数，out_channels=filters对应KerasConv2D的filters参数
• Padding处理：PyTorch的padding=(1,0)表示在高度维度（输入第1个空间维度）上下各补1个0、宽度维度（第2个空间维度）无补全，对应KerasZeroPadding2D(padding=((1, 1), (0, 0)))
• Stride设置：PyTorch传入int型stride会自动应用到所有空间维度，因此stride=int(1/s)对应KerasConv2D的strides=(stride_val, stride_val)（stride_val = int(1/s)）
• Kernel尺寸：直接对应Keras的kernel_size=(3, 1)

2. 初始化匹配（数据差异核心原因） #

PyTorch的nn.Conv2d默认采用He正态初始化（Kaiming Normal），而KerasConv2D默认是Glorot均匀初始化（Xavier Uniform），这是输入相同但输出数据差异的关键原因，需手动对齐初始化方式：

• 权重初始化：使用Keras的tf.keras.initializers.HeNormal()，与PyTorch默认的fan_in模式匹配
• 偏置初始化：两者默认均为0，无需额外修改

完整等效代码示例 #

假设s=0.5（即stride_val=2）、filters=64，输入为通道在后的Keras标准格式：

import tensorflow as tf

filters = 64
s = 0.5
stride_val = int(1/s)
in_channels = int(filters * s)

# 构建模型
input_tensor = tf.keras.Input(shape=(None, None, in_channels))
x = tf.keras.layers.ZeroPadding2D(padding=((1, 1), (0, 0)))(input_tensor)
x = tf.keras.layers.Conv2D(
    filters=filters,
    kernel_size=(3, 1),
    strides=(stride_val, stride_val),
    padding='valid',  # 已手动加padding，此处用valid
    kernel_initializer=tf.keras.initializers.HeNormal(),
    bias_initializer='zeros'
)(x)
model = tf.keras.Model(inputs=input_tensor, outputs=x)

额外验证要点 #

• 数据格式：PyTorch默认通道在前（(batch, channels, height, width)），需转换为Keras的通道在后格式（(batch, height, width, channels)），可通过PyTorch的permute(0,2,3,1)实现
• 确定性设置：开启框架的确定性模式，避免随机算法差异：
  • PyTorch：torch.backends.cudnn.deterministic=True
  • TensorFlow：tf.config.experimental.enable_op_determinism()
• 维度顺序：确认PyTorch的padding维度顺序为(height_pad, width_pad)，KerasZeroPadding2D的参数顺序为((top, bottom), (left, right))，不要混淆

内容的提问来源于stack exchange，提问作者PrematureCorn