转换知识基础
图像中使用的卷积一般为，正方形卷积核针对一个同等面积邻域的，进行相乘后邻域叠加到中心，相当于考虑中心像素的周围信息，做了一定的信息融合。
卷积相关参数
卷积前: input c1
卷积中: kernel 卷积核 stride 步长 padding 填充 group 分组卷积 w预训练权重
卷积后: BN 归一化 act 激活函数
SAME: 相同的PAD
VALD: 不做任何填充
SAME和VASLID的优劣对比
总结：stride=1 时使用 "SAME" 的优势
| 维度 | 说明 |
|---|---|
| 输出尺寸稳定 | 保持输入与输出尺寸一致，避免网络深层特征图过度缩小。 |
| 对称填充保证 | 自动计算对称填充量，与 PyTorch 的默认行为对齐，便于模型迁移。 |
| 代码简洁性 | 无需手动计算和添加填充层，减少冗余代码。 |
| 计算效率 | 框架原生优化填充操作，通常比手动填充更高效。 |
附：不同参数下的填充行为对比表
| 参数 | stride=1 + "SAME" |
stride=2 + 手动填充 + "VALID" |
|---|---|---|
| 输出尺寸 | 与输入相同 | 按公式 ⌊H+2p−ks⌋+1⌊sH+2p−k⌋+1 计算 |
| 填充方式 | 自动对称或轻微不对称 | 手动对称填充 |
| 跨框架一致性 | 与 PyTorch 的 padding=k//2 对齐 |
强制对齐 PyTorch 的填充逻辑 |
| 典型应用场景 | 密集特征提取（如残差块） | 下采样（如网络前半部分） |
python
# 注释版本 2025 03 10
class TFConv(keras.layers.Layer):
"""实现标准卷积层，可选批归一化与激活函数，适用于TensorFlow。"""
def __init__(self, c1, c2, k=1, s=1, p=None, g=1, act=True, w=None):
"""
参数说明:
c1 (int): 输入通道数（代码中未直接使用，可能通过权重自动推断）
c2 (int): 输出通道数（即卷积核数量）
k (int/tuple): 卷积核尺寸，默认为1
s (int/tuple): 卷积步长，默认为1
p (int/tuple/None): 填充大小，None时自动计算为k//2
g (int): 分组卷积组数，默认1（代码支持但原注释提示可能限制）
act (bool/str): 是否使用激活函数，默认True
w (object): 预训练权重对象，包含卷积和BN参数
"""
super().__init__()
# 当步长s=1时使用"SAME"填充，否则手动填充后使用"VALID"卷积以对齐PyTorch行为
# 创建Conv2D层，配置参数
conv = keras.layers.Conv2D(
filters=c2,
kernel_size=k,
strides=s,
padding="SAME" if s == 1 else "VALID", # s=1用自动填充，s>1需手动填充
use_bias=not hasattr(w, "bn"), # 存在BN层时禁用偏置
groups=g, # 分组卷积参数（需确认TF版本支持性）
kernel_initializer=keras.initializers.Constant(
w.conv.weight.permute(2, 3, 1, 0).numpy() # 调整PyTorch权重维度到TF格式 (kH, kW, in, out)
),
bias_initializer="zeros" if hasattr(w, "bn") else keras.initializers.Constant(w.conv.bias.numpy()),
)
# 组合层：当s>1时，先填充再卷积
self.conv = conv if s == 1 else keras.Sequential([TFPad(autopad(k, p)), conv]) # 自定义填充层处理非1步长
# 批归一化层（存在BN参数时）或恒等映射
self.bn = TFBN(w.bn) if hasattr(w, "bn") else tf.identity
# 激活函数（根据act参数选择）或恒等函数
self.act = activations(w.act) if act else tf.identity
def call(self, inputs):
"""执行卷积、批归一化与激活函数的前向传播"""
return self.act(self.bn(self.conv(inputs))) # 顺序: Conv -> BN -> Act