PyTorch Conv2d是否无padding='same'选项？如何选择填充侧？

1. PyTorch的Conv2d真的没有padding='same'选项吗？ #

其实在PyTorch 1.10及以上版本中，nn.Conv2d已经支持padding='same'这个参数了！不过有个小细节需要注意：当你使用非对称卷积核或者步长不等于1时，padding='same'会让输出的空间维度尽可能和输入一致——如果输入维度无法被步长整除，输出维度会向下取整。

如果你的PyTorch版本低于1.10，那确实没有这个快捷选项，就需要像你现在这样手动计算填充量，用ZeroPad2d来实现。

2. 如何确定填充的侧？ #

首先得明确两个关键点：

• 填充量的计算逻辑：卷积输出维度的计算公式是：

  output_size = floor((input_size + total_padding - kernel_size) / stride) + 1
  

  你需要保持高度维度为100，输入高度100，卷积核高度4，步长1，代入公式可得：

  100 = floor((100 + total_pad_h - 4)/1) + 1 → total_pad_h = 3
  

  也就是说高度方向总共需要填充3个单位，宽度方向因为你的卷积核是1、步长1，不需要填充，所以total_pad_w=0。

• ZeroPad2d的参数顺序：nn.ZeroPad2d的参数是(left, right, top, bottom)，也就是先指定宽度方向的左右填充量，再指定高度方向的上下填充量。

  你选择了(0, 0, 2, 1)，也就是高度方向顶部填2、底部填1，总填充量3，这完全没问题。至于为什么选这个分配方式，主要看你的业务逻辑：比如处理金融时间序列时，如果你觉得应该在**序列的头部（过去方向）填充虚拟数据，就多填top；如果想在尾部（未来方向）**填充，就多填bottom。PyTorch的padding='same'默认会把奇数的填充量优先分配给底部和右侧，你可以根据自己的需求调整。

补充验证你的代码 #

你的代码已经完美实现了保持高度维度不变的需求：

import torch
import torch.nn as nn
conv = nn.Conv2d(1, 1, kernel_size=(4, 1))
pad = nn.ZeroPad2d((0, 0, 2, 1)) # 宽度无填充，高度顶部填2、底部填1
x = torch.randint(low=0, high=9, size=(100, 40))
x = x.unsqueeze(0).unsqueeze(0)  # 转换成(批量, 通道, 高度, 宽度)的格式
y = pad(x)
print(conv(x.float()).shape)  # 未填充时输出(1,1,97,40)
print(conv(y.float()).shape)  # 填充后输出(1,1,100,40)，符合预期

内容的提问来源于stack exchange，提问作者Sean