【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

文章标签：

#深度学习 #神经网络 #机器学习 #pytorch

踩过的坑专栏收录该内容

2 篇文章

订阅专栏

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

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
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
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

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

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

金石zzz

关注关注

4
点赞
踩
9

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

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。

3 条评论您还未登录，请先登录后发表或查看评论

【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，同时保持通道数不变。它通过在输入张量上应用反向卷积操作来实现上采样。ConvTranspose2d的主要参数是输入通道数、输出通道数、卷积核大小和步幅。 nn.Upsample是一种简单的上采样操作。它通过插值方法将输入张量的空间维度放大。nn.Upsample的主要参数是目标输出大小和插值方法。常见的插值方法包括最近邻插值（nearest neighbor interpolation）和双线性插值（bilinear interpolation）。这两种方法在上采样过程中有一些区别。nn.ConvTranspose2d可以学习从低分辨率特征图生成高分辨率特征图的映射，因此在一些任务中可以获得更好的效果。然而，nn.ConvTranspose2d的计算成本较高，可能需要更多的参数和计算资源。相比之下，nn.Upsample是一种简单且快速的上采样方法，但它不能学习如何生成高分辨率特征图。在实际应用中，选择使用nn.ConvTranspose2d还是nn.Upsample取决于任务的需求和资源的限制。如果需要更高的上采样质量且有足够的计算资源，可以尝试使用nn.ConvTranspose2d。如果对速度要求较高或者只需要简单的上采样操作，可以选择使用nn.Upsample。