pytorch和tensorflow的卷积Conv2d()比较
pytorch
torch.nn.Conv2d()参数
in_channels # 输入数据的通道数(彩色图片为3,灰度图为1,卷积中可以设置更加高维的通道数)
out_channels # 输出数据的通道数
kernel_size # 卷积核的尺寸(可填整数和元组，3与（3,3）等同，但建议填元组)
stride = 1, # 卷积步长，就是卷积操作时每次移动的格子数，可填整数和元组，3与（3,3）等同，但建议填元组
padding = 0, # 原图周围需要填充的格子行（列）数，无填充的话卷积到边缘会直接忽略该边缘,默认填充0
dilation = 1, # 空洞卷积的空洞指数，一般默认为1即可
groups = 1, # 分组卷积的组数，一般默认设置为1
bias = True, # 卷积偏置，一般设置为False
padding_mode = 'zeros’ # 设置边缘填充值为0，可设置其他的数，一般都默认设置为0，可增加边缘提取的能力
tensorflow
tensorflow.python.keras.layers.Conv2D
tf.nn.conv2d()
以下截取的是tensorflow.python.keras.layers.Conv2D中的参数
filters,
kernel_size,
strides=(1, 1),
padding='valid',
data_format=None,
dilation_rate=(1, 1),
activation=None,
use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros',
kernel_regularizer=None,
bias_regularizer=None,
activity_regularizer=None,
kernel_constraint=None,
bias_constraint=None,
通过以上参数发现，pytorch中的大多数参数和tensorflow接近，但是padding的差异非常大，一个是整数一个是字符串。
keras中的padding只有两个选择，SAME和VALID，SAME是在进行卷积前，在图像的周围补一圈0，而用VALID则不对输入图像进行填充。因此，这两种的padding方式得到的输出是不同的。
输出尺寸计算公式
output_size = （input_size - k + 2p）/ s +1
keras中相当于网络自动计算，有两种选择，而pytorch中则需要自己通过上式计算输出图像是否发生改变。