我对如何在PyTorch中复制Keras（TensorFlow）卷积感到困惑。
在Keras，我可以做这样的事情。（输入大小为(256, 237, 1, 21)，输出大小为(256, 237, 1, 1024)。
import tensorflow as tf
x = tf.random.normal((256,237,1,21))
y = tf.keras.layers.Conv1D(filters=1024, kernel_size=5,padding="same")(x)
print(y.shape)
(256, 237, 1, 1024)
但是，在PyTorch中，当我尝试执行相同的操作时，会得到不同的输出大小：
import torch.nn as nn
x = torch.randn(256,237,1,21)
m = nn.Conv1d(in_channels=237, out_channels=1024, kernel_size=(1,5))
y = m(x)
print(y.shape)
torch.Size([256, 1024, 1, 17])
我希望PyTorch给我和Keras一样的输出大小：
这个前面的问题似乎暗示Keras过滤器PyTorch的out_channels，但多数民众赞成我。我试图在PyTorch中添加填充，padding=(0,503)但这给了我，torch.Size([256, 1024, 1, 1023])但仍然不正确。这也比keras花费的时间长得多，所以我觉得我没有正确分配参数。
我该如何复制Keras在PyTorch中对卷积所做的工作？
在TensorFlow中，tf.keras.layers.Conv1D采用一个张量(batch_shape + (steps, input_dim))。这意味着通常所说的通道出现在最后一个轴上。例如，在2D卷积中，您将拥有(batch, height, width, channels)。这与PyTorch不同，在PyTorch中，通道尺寸恰好位于批处理轴之后：torch.nn.Conv1d形状为(batch, channel, length)。因此，您将需要排列两个轴。
对于torch.nn.Conv1d：
in_channels 是输入张量中的通道数out_channels是过滤器的数量，即输出将具有的通道数stride 卷积的步长padding 两边都加了零填充在PyTorch中，没有选项padding='same'，您需要padding正确选择。在这里stride=1，因此padding必须等于kernel_size//2（即 padding=2）以保持张量的长度。
在您的示例中，由于在TensorFlow的术语中x形状为(256, 237, 1, 21)，因此将其视为具有以下内容的输入：
(256, 237)，steps=1，所以你的1D输入的长度1，21 输入通道。而在PyTorch中，x形状(256, 237, 1, 21)为：
(256, 237)，1 输入通道21。在下面的两个示例（TensorFlow与PyTorch）中都将输入保持不变，x.shape=(256, 237, 21)假设256是批量大小，237是输入序列的长度，而21是通道数（即输入尺寸，我认为是每个尺寸）时间步长）。
在TensorFlow中：
>>> x = tf.random.normal((256, 237, 21))
>>> m = tf.keras.layers.Conv1D(filters=1024, kernel_size=5, padding="same")
>>> y = m(x)
>>> y.shape
TensorShape([256, 237, 1024])
在PyTorch中：
>>> x = torch.randn(256, 237, 21)
>>> m = nn.Conv1d(in_channels=21, out_channels=1024, kernel_size=5, padding=2)
>>> y = m(x.permute(0, 2, 1))
>>> y.permute(0, 2, 1).shape
torch.Size([256, 237, 1024])
因此，在后者中，您只需使用x = torch.randn(256, 21, 237)...
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句