【避坑】nn.ConvTranspose2d()后的尺寸问题

最新推荐文章于 2025-10-21 15:03:50 发布
原创 最新推荐文章于 2025-10-21 15:03:50 发布 · 4.2k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #神经网络 #机器学习 #pytorch

在使用Unet模型时，由于反卷积层nn.ConvTranspose2d()的应用，导致输出尺寸与预期不符，引发RuntimeError。问题源于torch.cat操作时输入张量尺寸不一致。解决办法是通过设置out_padding为1来调整反卷积层的输出尺寸，确保与后续层匹配。了解反卷积的输出尺寸计算公式(size_output=(size_input-1)*stride+k-2*padding+out_padding)对于避免这类错误至关重要。
部署运行你感兴趣的模型镜像

使用反卷积nn.ConvTranspose2d()后尺寸与之前不匹配的问题

  1. 原因分析
    报错：RuntimeError: Sizes of tensors must match except in dimension 2. Got 224 and 223
    分析：在使用torch.cat(x,y)时，x和y维度不一致，一个是224224，一个是223223
    进一步分析：是在用Unet时，解码中用到的反卷积nn.ConvTranspose2d()使得恢复后的尺寸发生了改变
  2. 原理补充
    如果输入尺寸为size_input，输出为size_output，反卷积核大小是k*k，步长为stride，out_padding 表示是对反卷积后的特征图补零（默认为0）。
    那么ConvTranspose2d输出尺寸大小计算公式为：
    size_output = (size_input - 1)stride + k - 2padding + outpadding
  3. 解决办法
    令outpadding = 1

您可能感兴趣的与本文相关的镜像

PyTorch 2.6

PyTorch 2.6

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

反卷积通俗详细解析与nn.ConvTranspose2d重要参数解释
iioSnail的博客
07-06 1万+
反卷积的作用 卷积中padding的几个概念 No Padding Half(Same) Padding Full Padding 反卷积 反卷积中的Padding参数 反卷积的stride参数 反卷积总结 参考资料
ConvTranspose2d 的简单例子理解
RessCris的博客
05-15 1396
即需要在输入的特征图y的每个相邻值之间插入(stride-1)行和列0，因为特征图中能够插入的相邻位置有(height-1)个位置，所以此时得到的特征图的大小由Hout。Hin大小的x，还需要设置padding_new的值为(kernel_size - padding - 1),这里的padding是卷积操作时设置的padding值。Hout_new，即[Hout + (stride-1) * (Hout-1)] * [Hout + (stride-1) * (Hout-1)]按照卷积的变换公式计算得到。
【PyTorch】torch.nn.ConvTranspose2d 类：实现2D转置卷积操作
最新发布
彬彬侠的博客
10-21 1094
PyTorch的nn.ConvTranspose2d实现2D转置卷积（反卷积），用于上采样和特征图尺寸扩展。关键特点包括：通过插入零值和卷积核实现尺寸放大；核心参数包括通道数、核大小、步长、填充等；输出尺寸有特定计算公式；常用于GAN、语义分割等场景。与标准卷积相反，它能增加空间维度，但可能产生棋盘伪影，可通过调整参数缓解。使用时需注意参数设置与尺寸匹配问题。
nn.Conv2d与nn.ConvTranspose2d参数理解
Danger的博客
01-26 2834
nn.Conv2d与nn.ConvTranspose2d参数理解
ConvTranspose2d 输出尺寸计算方法
adaadadsa的博客
06-27 3407
转自：https://www.jianshu.com/p/3ca870451d74 torch.nn.ConvTranspose2d类输出尺寸计算方法 torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros') inchannels = 64 out
pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数 out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride=1, #卷积步长，就是卷积操作时每次移动的格子数 padding=0, #原图周围需要填充的格子行（列）数 output_padding=0, #输出特征图边缘需要填充的行（列）数，一般不设置 groups=1, #分组卷积的组数，一般默认设置为1，不用管 bias=Tru
精选资源
nn.ConvTranspose2d 逆卷积 反卷积
01-06
本文转摘于如下链接： 逆卷积的详细解释ConvTranspose2d（fractionally-strided convolutions) ...torch.nn.ConvTranspose2d(in_channels, out_channels, kernel
PyTorch库学习之nn.ConvTranspose2d(模块)
qq_46396470的博客
09-05 2533
是 PyTorch 中的一个模块，用于实现二维转置卷积（也称为反卷积或上采样卷积）。转置卷积通常用于生成比输入更大的输出，例如在生成对抗网络（GANs）和卷积神经网络（CNNs）的解码器部分。
转置卷积nn.ConvTranspose2d
qq_43733107的博客
09-18 695
转置卷积
pytorch中的torch.nn.convTranspose2d
m0_63664949的博客
04-16 1539
in_channels为输入通道数 out_channels为输出通道数 kernel_size为卷积核大小 stride为卷积步长 padding为填充尺寸 groups为是否使用分组卷积，具体解释见下文 bias为偏置 dilation为是否使用空洞卷积（膨胀卷积） convTranspose2d是对特征层进行转置卷积操作，即进行上采样.转置卷积的运算步骤分为如下几步： 1.在输入特征图中行列内部进行stride-1，外围进行kernel_size-padding-...
反卷积（转置卷积）Conv2DTranspose 输出的尺寸大小
weixin_39393430的博客
05-10 1571
keras的Conv2DTranspose The size of the input feature map: (N, N) Conv2dTranspose(kernel_size=k, padding, strides=s) padding=‘same’ ，输出尺寸 = N × s padding=‘valid’，输出尺寸 = (N-1) × s + k
计算nn.Conv2d与nn.ConvTranspose2d 输出尺寸
qq_40241443的博客
04-18 1646
m = nn.Conv2d(64, 192, kernel_size=(6, 6), stride=(4, 4), padding=(1, 1)) nn.Conv2d: out_size = （in_size - K + 2P）/ S +1 n = nn.ConvTranspose2d(192,64,kernel_size=(6, 6), stride=(4, 4), padding=(1, 1)) nn.ConvTranspose2d: out_size = (in_size -1)*S+-.
keras下conv2DTranspose输出张量尺寸bug的修复
xiaoxifei的专栏
09-14 5804
问题描述： 最近需要将模型由pytorch改为keras框架，但是在conv2DTranspose这里总是出错，代码情况如下：  本来输入Conv2DTranspose的张量大小是(b,c,32,32),按照常理来计算，Conv2DTranspose的输出张量大小应该是(b,c,64,64),但是这里总是对不上，总是输出(b,c,?,?),最终进行查看也是一些莫名其妙的尺寸。 解决方案： ...
Tensorflow中Conv2D和Conv2DTranspose前后尺寸的变化
cocofisher的博客
03-04 1189
Conv2D： 参数为padding=′valid′padding='valid'padding=′valid′时， output=⌊input−kernel_size⌋/2+1output=\lfloor input-kernel\_size \rfloor/2+1output=⌊input−kernel_size⌋/2+1 参数为padding=′same′padding='same'padd...
解决U-net上采样过程后，结合下采样信息时特征图大小不匹配问题
sinat_39307513的博客
11-27 1万+
在U-net下采样后时，通过polling层，可能会出现这种情况，37*37feature maps 压缩成18*18大小，但在上采样过程中，利用 nn.ConvTranspose2d()通常变为36*36大小的feature maps,不同大小的feature maps在进行concat时会报错。 解决这种问题可以采用追加一个反卷积过程，在判断到两个过程得到的feature maps大小不...
nn.ConvTransposed2d()-转置卷积过程详解
热门推荐
weixin_42112050的博客
05-22 1万+
转置卷积过程详解 转置卷积又称反卷积，逆卷积。在主流的深度学习框架之中，如Tensorflow，Pytorch,Kreas中的函数名都是conv_transpose。卷积的动态图解可以点此链接查看。 将一个4X4的输入通过3X3的卷积核核进行普通卷积后（无padding,stride=1）,将得到2X2的输出。而转置卷积将一个2X2的输入通过同样的3X3的卷积核，将得到一个4X4的输出。这看起来像是普通卷积的逆过程。事实上，这两者没有任何关系，操作过程也是不可逆的。 普通卷积（直接卷积） 但在实际计算中，
转置卷积：nn.ConvTranspose2d
xx_xjm的博客
04-01 479
总结： 1：转置卷积可以用正常卷积来理解，对于没有padding的卷积来说，其转置卷积等同于 a: 对输入进行四边补零，单边补零的数量为k-1 b:将卷积核旋转180°，在新的输入上进行直接卷积 参考自：(4条消息) 抽丝剥茧，带你理解转置卷积（反卷积）_史丹利复合田的博客-优快云博客_转置卷积 2：当卷积涉及到补零以及strides不等于1的情况的时候，其转置卷积步骤如下： 这里要对转置卷积的输入进行插值补零等操作，原因是要保证数...
谈谈Pytorch中的转置卷积 nn.ConvTranspose2d
要相信光
04-10 1万+
起因 在之前的博客中，已经在理论层面上介绍过转置卷积，但一直没有在代码中真正应用过，因为目前在图像分割领域中的上采样操作通常直接用双线性插值来做了。最近探索AutoEncoder，在解码器中要用到转置卷积，涉及到了编码，发现pytorch的实际操作以及参数设置上并没有那么简单，因此写下本文记录一下。 探索 关于什么是转置卷积，参照我上节给出的博客，这里就不过多叙述了。直接上pytorch实操： conv = nn.Conv2d(3, 8, 3, stride=2, padding=1) Dconv = nn
【PyTorch】教程：torch.nn.ConvTranspose2d
03-01 1329
2D 反卷积；该模块可以被视为 Conv2d 相对于其输入的梯度，也被称为分数跨步卷积或反卷积（尽管不是真正意义的反卷积，因为不计算卷积的真逆）。
nn.ConvTranspose2d与nn.Upsample
07-29
nn.ConvTranspose2d和nn.Upsample是PyTorch中用于上采样（上取样）操作的两种常见方式。 nn.ConvTranspose2d是一个转置卷积层，也被称为反卷积层。它可以将输入张量的空间维度（宽度和高度）放大，同时保持通道数...
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值