PyTorch中带dilation和stride的unfold操作运行原理是什么？

核心计算规则 #

torch.nn.functional.unfold针对4维输入[批量大小N, 通道数C, 高度H, 宽度W]，默认padding为0，输出形状为[N, C*kernel_height*kernel_width, 总窗口数L]。其中单个空间维度的有效滑动窗口数计算公式为：

单维度窗口数 = floor( (输入维度尺寸 - dilation * (kernel_size - 1) - 1) / stride + 1 )

总窗口数L = 高度方向窗口数 × 宽度方向窗口数 #

问题1：dilation=3时输出第三维291的由来 #

你执行unsqueeze(1)后的输入张量形状为[16, 1, 309, 128]，对应参数配置：

• 核尺寸：(kH=7, kW=128)
• 膨胀系数：(dH=3, dW=1)
• 步长：(sH=1, sW=128)

1. 先计算宽度方向窗口数：代入公式得(128 - 1*(128-1) -1)/128 +1 = 1，即宽度方向仅1个有效窗口，总窗口数等于高度方向窗口数。
2. 再计算高度方向窗口数：代入dH=3得(309 - 3*(7-1) -1)/1 +1 = 309 - 18 -1 +1 = 291，因此输出第三维为291。

补充说明：dilation会扩大核的实际感受野，dilation=3时，7个采样点的核在高度方向实际覆盖长度为3*(7-1)+1=19，远大于dilation=1时的覆盖长度7，因此有效滑动窗口数会减少。

问题2：无dilation时输出303的验证 #

dilation默认值为(1,1)，代入高度维度计算：
(309 - 1*(7-1) -1)/1 +1 = 309 -6 -1 +1 = 303，你的判断完全正确。 #

问题3：stride设为4时的输出维度 #

如果你是将高度方向步长改为4（即参数为stride=(4, 128)），代入公式计算：
高度方向窗口数 = floor( (309 - 3*(7-1) -1)/4 +1 ) = floor(290/4 +1) = 73
最终输出形状为[16, 896, 73]，第三维为73。 #

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