pytorch padding='SAME'解决方法

tensorflow中的conv2有padding=‘SAME’这个参数。吴恩达讲课中说到当padding=(f-1)/2（f为卷积核大小）时则是SAME策略。但是这个没有考虑到空洞卷积的情况，也没有考虑到strides的情况。
查阅资料后发现网上方法比较麻烦。
手算，实验了一个早上，终于初步解决了问题。
分为两步：

填充多少

中文文档中有计算公式：
输入: $$(N,C_{i}n,H_{i}n，W_{i}n)$$
输出:$$(N,C_{o}ut,H_{o}ut,W_{o}ut)$$
$$H_{out}=(H_{in}-1)stride[0]-2padding[0]+kerne{l}_{s}ize[0]+outpu{t}_{p}adding[0]$$

$$W_{out}=(W_{in}-1)stride[1]-2padding[1]+kerne{l}_{s}ize[1]+outpu{t}_{p}adding[1]$$
因为卷积后图片大小同卷积前，所以这里W_out=W_in, H_out=H_in。解一元一次方程即可。结果取ceil。

怎么填充

torch是先填充再卷积。conv2d的策略如此。所以我先在forward中获取上述方程需要的参数。然后使用torch.nn.functional.pad填充就好了。
然后

t2=torch.randn([1,1,4,4])
print(t2.size())
m1 = torch.nn.Conv2d(1, 1, 1, padding=(1,0))
print(m1(t2).size()）
t2=F.pad(t2,(0,0,1,1))
print(t2.size())

有两个发现

• pad是对称的两边都填充的，所以上述总共填充2行/列
• 参数中padding=(1,0)的效果，与F.pad(t2, (0,0,1,1)的效果一样。而不是与F.pad(t2,1,1,0,0)效果一样。很神奇。本来(1,0)按照解视是1是H边（左右）。0是W边（上下）。（0，0，1，1）按解释是左右不填充，上下填充。结果刚好相反。

这样应该就没什么问题了。
之后还需要看反卷积跟池化的pooling=’SAME’是怎么实现的。