如何通过ConvTranspose3d将张量尺寸从[1,64,8,32,32]转为[1,3,16,112,112]

首先，我们得先明确PyTorch中nn.ConvTranspose3d的输出尺寸计算公式，每个维度（深度D、高度H、宽度W）的输出尺寸遵循：

output_size = (input_size - 1) * stride - 2 * padding + kernel_size + output_padding

你的输入张量是[1, 64, 8, 32, 32]，对应维度是(N, C_in, D_in, H_in, W_in)，目标输出是[1, 3, 16, 112, 112]。目前你用的参数在深度D维度已经得到了正确的16帧，我们来验证一下：

• D_in=8，stride_D=2，padding_D=1，kernel_size_D=4
• 计算：(8-1)*2 - 2*1 +4 = 14-2+4=16，完全符合预期。

问题出在高度H和宽度W维度，当前参数得到64，而你需要112。我们可以通过调整这两个维度的stride和padding来匹配目标尺寸，同时保持深度维度的参数不变。

具体参数调整方案 #

我们需要让H/W维度满足：

112 = (32-1)*stride_HW - 2*padding_HW + kernel_size_HW

假设我们保持kernel_size在H/W维度还是4（和深度维度一致，方便计算），代入公式：

112 = 31*stride_HW - 2*padding_HW +4
→ 31*stride_HW -2*padding_HW = 108

通过试算，我们可以找到一组合适的参数：

• stride_HW=4，代入得：31*4 -2*padding_HW=108 → 124-2*padding_HW=108 → padding_HW=8

这样组合起来，最终的ConvTranspose3d参数应该是：

import torch.nn as nn

conv_transpose = nn.ConvTranspose3d(
    in_channels=64,
    out_channels=3,
    kernel_size=(4, 4, 4),  # 深度D=4，H/W=4
    stride=(2, 4, 4),       # 深度D=2（保持帧数翻倍），H/W=4
    padding=(1, 8, 8),      # 深度D=1（保持帧数正确），H/W=8
    bias=False
)

验证尺寸 #

我们可以快速验证一下：

• D维度输出：(8-1)*2 -2*1 +4=16 ✔️
• H维度输出：(32-1)*4 -2*8 +4=124-16+4=112 ✔️
• W维度输出和H完全一致，也是112 ✔️
• 通道数从64→3，符合要求 ✔️

补充说明 #

如果之后遇到类似的尺寸匹配问题，你可以直接套用开头的公式，根据目标尺寸反推stride、padding和kernel_size的组合。另外，output_padding参数可以用来微调最后1-2个像素的差异（比如当公式计算结果和目标差1时），但这里我们通过调整stride和padding已经完美匹配，所以不需要用到它。

内容的提问来源于stack exchange，提问作者kkk