PyTorch中Conv2D层padding参数运行结果与预期不符问题求解

1. 输出尺寸和预期不符的原因 #

PyTorch中Conv2D层的输出尺寸有明确的官方计算规则，对于输入高度H_in，输出高度H_out的计算公式为：

H_out = floor((H_in + 2*padding - dilation*(kernel_size - 1) - 1) / stride + 1)

默认情况下卷积的扩张系数dilation=1，代入你给出的参数：

• H_in = 6，padding=2，kernel_size=5，stride=2
  计算过程如下：

H_out = floor((6 + 2*2 - 1*(5-1) -1)/2 + 1) = floor(5/2) +1 = 2 +1 =3

宽度计算规则和高度完全一致，所以最终输出特征图尺寸为3*3，和你运行代码得到的结果一致，你之前的尺寸计算逻辑存在错误。

2. 输出没有零值的原因 #

你这里存在两处认知偏差：

• 你贴出的y[0][0]结果尺寸为6*6，明显和y.shape的[1,1,3,3]冲突，属于打印错误，大概率是你误把输入张量x的打印结果当成了输出y的结果。
• 零填充是作用在输入张量上的，并不会直接出现在输出结果里：卷积的输出是感受野内的所有元素（包括填充的零）和卷积核权重逐元素相乘累加后，再加上偏置的结果。Conv2D层默认会随机初始化卷积核权重和偏置，就算有填充的零参与计算，最终的累加+偏置结果几乎不可能刚好为零，所以输出里不会出现你预期的零值。

你如果想验证填充逻辑，可以手动把卷积核权重设为全1、关闭偏置，再运行代码，就能通过输出结果反推填充逻辑，示例代码如下：

import torch
from torch import nn
x = torch.ones(1,1,6,6)
conv = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=5, stride=2, padding=2, bias=False)
# 手动把卷积核设为全1
nn.init.constant_(conv.weight, 1)
y = conv(x)
print(y.shape)
print(y[0][0])

此时输出的每个值就是对应感受野内的元素总和，你可以自行计算验证填充逻辑。

内容的提问来源于stack exchange，提问作者danix