具有 padding='SAME' 的 Tensorflow/Keras Conv2D 层表现异常

Posted 2023-02-23

【中文标题】具有 padding=\'SAME\' 的 Tensorflow/Keras Conv2D 层表现异常

【英文标题】：Tensorflow/Keras Conv2D layers with padding='SAME' behave strangely具有 padding='SAME' 的 Tensorflow/Keras Conv2D 层表现异常

【发布时间】：2020-06-05 00:18:03

【问题描述】：

我的问题：

我进行的一个简单实验表明，在 Keras/TF 的 conv2d 层中使用 padding='SAME' 与在前面的零填充层中使用 padding='VALID' 是不同的。

这怎么可能？ Keras/TF 是否在张量周围对称填充零？

实验说明 - 如果您有兴趣进一步阅读：

我使用onnx2keras 包将我的 Pytorch 模型转换为 keras/TF。

当onnx2keras 在 ONNX 模型中遇到带有 padding > 0 的卷积层时，它会将其转换为 Keras 的 Conv2D 并带有 valid 填充（即没有填充！），前面是 Keras 的 ZeroPadding2D 层.这非常有效，并且返回的输出与 Pytorch 网络产生的输出相同。

我觉得奇怪的是它没有简单地使用 padding='SAME'，因为大多数参考资料都说 Keras/TF 使用零填充，就像 Pytorch 一样。

尽管如此，我修补了onnx2keras 并让它产生了我的Conv2D 层与padding='SAME'，而不是现有的'VALID' 填充解决方案与前面的零填充层。这使得生成的模型返回的输出与具有零填充层的模型不同，当然也与我的 Pytorch 模型不同，后者在补丁之前是相同的。

【问题讨论】：

根据documentation，“valid”没有填充，而“same”导致填充输入，使输出与原始输入具有相同的长度。

@nickthefreak 当然。但我希望“相同”的工作方式与在卷积之前手动添加填充层然后使用“有效”时相同，但这不是发生的情况

@SomethingSomething - 如果您发布您试验过的简单的可重现代码，就会清楚地解释或识别错误。

【参考方案1】：

padding='Same' 在 Keras 中表示当输入大小和内核大小不完全匹配时，根据需要添加填充以弥补重叠。

padding='Same' 的示例：

# Importing dependency
import keras
from keras.models import Sequential
from keras.layers import Conv2D

# Create a sequential model
model = Sequential()

# Convolutional Layer
model.add(Conv2D(filters=24, input_shape=(5,5,1), kernel_size=(2,2), strides =(2,2) ,padding='Same'))

# Model Summary
model.summary()

代码的输出-

Model: "sequential_20"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_28 (Conv2D)           (None, 3, 3, 24)          120       
=================================================================
Total params: 120
Trainable params: 120
Non-trainable params: 0
_________________________________________________________________

图示： 下图显示了当 padding='Same' 时输入 (input_shape=(5,5,1), kernel_size=(2,2), strides =(2,2)) 的填充情况。

----------------------------------------------- -------------------------------------------------- -----------------

Keras 中的padding='Valid' 表示不添加填充。

padding='Valid' 的示例： Conv2D 使用的输入与我们上面用于 padding = 'Same' 的输入相同。即(input_shape=(5,5,1), kernel_size=(2,2), strides =(2,2))

# Importing dependency
import keras
from keras.models import Sequential
from keras.layers import Conv2D

# Create a sequential model
model = Sequential()

# Convolutional Layer
model.add(Conv2D(filters=24, input_shape=(5,5,1), kernel_size=(2,2), strides =(2,2) ,padding='Valid'))

# Model Summary
model.summary()

代码的输出-

Model: "sequential_21"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_29 (Conv2D)           (None, 2, 2, 24)          120       
=================================================================
Total params: 120
Trainable params: 120
Non-trainable params: 0
_________________________________________________________________

图示： 下图显示，当 padding='Valid' 时，输入 (input_shape=(5,5,1), kernel_size=(2,2), strides =(2,2)) 没有添加填充。

----------------------------------------------- -------------------------------------------------- -----------------

现在让我们尝试使用与 padding='Valid' 相同的代码作为输入 (input_shape=(6,6,1), kernel_size=(2,2), strides =(2,2))。 此处padding='Valid' 的行为应与padding='Same' 相同。

代码 -

# Importing dependency
import keras
from keras.models import Sequential
from keras.layers import Conv2D

# Create a sequential model
model = Sequential()

# Convolutional Layer
model.add(Conv2D(filters=24, input_shape=(6,6,1), kernel_size=(2,2), strides =(2,2) ,padding='Valid'))

# Model Summary
model.summary()

代码的输出-

Model: "sequential_22"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_30 (Conv2D)           (None, 3, 3, 24)          120       
=================================================================
Total params: 120
Trainable params: 120
Non-trainable params: 0
_________________________________________________________________

【讨论】：

非常感谢您提供非常详细的回答。那么如果我从第一个图中理解正确的话，TF中的填充是通过复制右下角向量来完成的？

是的。你是对的。 padding='Same' 导致填充输入，以使内核覆盖 input_shape=(5,5,1) 且 Stride=(2,2) 的所有像素。如果 Stride=(1,1) 那么，padding='Same' 会填充输入，以使输出与原始输入具有相同的长度。

很高兴知道。这与 PyTorch 相矛盾，PyTorch 用零填充。这就是onnx2keras 将带有填充的 conv2d 层转换为 TF 中两个不同层的原因 - 首先是零填充层，然后是“有效”的 conv2d 层