Pytorch 转向TFConv过程中的卷积转换

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 复制代码
# 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
相关推荐
惜鸟1 分钟前
Pydantic 的 BaseSettings 配置解析
后端·python
Java中文社群8 分钟前
Dify实战案例:MySQL查询助手!嘎嘎好用
java·人工智能·后端
MYH51610 分钟前
拉力测试cuda pytorch 把 4070显卡拉满
人工智能·pytorch·python
某人辛木14 分钟前
基于tensorflow实现的猫狗识别
人工智能·python·tensorflow
大白爱琴17 分钟前
使用python进行图像处理—图像变换(6)
图像处理·人工智能·python
月忆36430 分钟前
等待组(waitgroup)
前端·爬虫·python
楽码33 分钟前
AI信息论:处理繁杂问题
人工智能·openai·trae
一个何包蛋!!36 分钟前
相关类相关的可视化图像总结
开发语言·python·数据可视化
技术便签36 分钟前
第一篇:Agent2Agent (A2A) 协议——协作式人工智能的黎明
人工智能·python·ai编程·agi·多智能体·智能体·adk
love530love1 小时前
教程:PyCharm 中搭建多级隔离的 Poetry 环境(从 Anaconda 到项目专属.venv)
开发语言·ide·人工智能·windows·python·pycharm