PyTorch F.conv1d中padding=zeros原理及TensorFlow等效实现

先明确该场景下的接口基础规则：

• PyTorch的F.conv1d遵循通道在前的1维卷积维度约定：输入形状为(批大小, 输入通道数, 信号长度)，卷积核形状为(输出通道数, 输入通道数, 卷积核长度)，对应题中输入xodd形状(1,1,2)就是单批次、单通道、长度为2的1维信号。
• 该接口默认步长stride=1、膨胀系数dilation=1，无特殊传入时按这两个参数计算。
• 题中输出形状为(1,1,3)，即输出信号长度为3。

padding=zeros的具体运行逻辑：

• 这里的zeros代表所有填充位置的取值固定为0，不会使用边缘复制、反射、对称等其他填充模式，是卷积最基础的填充方式。
• 结合1维卷积输出长度公式（stride=1、dilation=1时）：输出长度 = 输入长度 + 左侧填充数 + 右侧填充数 - 卷积核长度 + 1，代入已知数值可得到两种合法的匹配关系：如果卷积核长度为2，就是左右各补1个0（总填充2个0）；如果卷积核长度为1，就是单侧补1个0（总填充1个0），两种配置都能得到长度为3的输出。卷积核在补零后的信号上按步长滑动，逐位置做乘加运算得到最终输出。

要保证输出和PyTorch完全一致，必须对齐三个核心规则，直接用TF内置的same/valid填充无法匹配，需要手动处理：

• 维度顺序对齐：PyTorch默认是通道在前的NCW格式（批、通道、信号长度），TF默认是通道在后的NWC格式，需指定对应格式避免转置误差
• 填充规则对齐：填充的位置、数量、填充值必须和PyTorch侧完全一致
• 权重维度对齐：两个框架的卷积核维度顺序不同，必须做重排才能保证计算逻辑一致

参考实现代码如下（以卷积核长度为2、左右各补1个0的最常见场景为例）：

import tensorflow as tf

# 1. 手动零填充：paddings参数顺序对应[批大小维度, 通道维度, 信号长度维度]的[前填充数, 后填充数]，此处信号维度左右各补1个0
x_padded = tf.pad(
    xodd,
    paddings=[[0, 0], [0, 0], [1, 1]],
    mode="CONSTANT",
    constant_values=0
)
# 2. 卷积核维度重排：从PyTorch的(输出通道, 输入通道, 卷积核长度)转为TF要求的(卷积核长度, 输入通道, 输出通道)
kernel_tf = tf.transpose(kernel, perm=[2, 1, 0])
# 3. 执行1维卷积：指定NCW数据格式和PyTorch对齐，不使用偏置，不做额外填充
output = tf.nn.conv1d(
    x_padded,
    kernel_tf,
    stride=1,
    padding="VALID",
    data_format="NCW"
)

如果实际场景是卷积核长度为1、单侧补零，只需要把paddings中信号维度的填充值改成[1,0]（左侧补1个0）或者[0,1]（右侧补1个0），和PyTorch侧的填充侧保持一致，计算结果就会完全对齐。

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