• vcjmhg
    2021-10-31
    不可以，会出现ValueError: padding='same' is not supported for strided convolutions。 原因分析： 1. 引入padding = 'same'的目的实际上就是为了让输入特征保留更多的信息。而将stride设置成2，则是为了压缩特征，这和padding='same' 的作用刚好相反 2. 假定允许在padding = 'same'的情况下，将stride设置成2，则计算出来特征图，左侧和右侧的部分都会是0，提取到的这份部分特征是没有意义的。 此外我们在使用padding = 'same'时，一定要保证pytorch的版本大于等于1.9否则会出现RuntimeError: argument 1 (padding) must be tuple..这样的错误

    作者回复: 你好，vcjmhg。感谢你的留言，👍🏻👍🏻👍🏻👍🏻^^

    共 2 条评论
    16
  • Geek_8a391d
    2021-10-29
    老师您好，因为都是迁移学习从来没有思考过卷积的原理知识，一直有一个疑问，卷积核里面的值究竟是如何确定的呢？不同的卷积核会对卷积结果起到一个什么样的影响呢？我看很多模型会使用[-1 0 1]这样的形式，这样是不是对图像做了一个水平的分割呢？您在文中提到的这一个卷积核又起到什么作用？我们是通过训练得到的卷积核还是通过经验提前确定的呢？

    作者回复: 你好，感谢你的留言。我刚接触卷积的时候跟你有相同的疑惑^^。卷积神经网络中的卷积参数都是通过训练得到的。 文中的提到的卷积是用在卷积神经网络中的，用来提取特征的。也有提前确定好的卷积参数，一般用在图像处理中，例如高斯blur等操作，都是事先确定好卷积参数的。

    
    8
  • 🚶
    2021-10-30
    是不是可以理解为每次训练都是为了确定合适的卷积核参数呢？

    作者回复: 你好，感谢你的留言。嗯嗯 可以这样理解^^

    
    2
  • Chloe
    2022-01-29
    老师讲的很好呀，kernel的概念用二维图像一说，马上就明白了。谢谢老师解惑

    作者回复: 你好，Chloe，感谢留言。 谢谢你的认可。^^

    
    1
  • lwg0452
    2021-10-29
    padding 为’same’时，stride 不可以为 1 以外的数值（会报错）。 个人理解：假如可以的话，用文中的例子计算输出特征图只有左上部分不是0，图像边缘信息还是丢失了，没有意义。

    作者回复: 你好，lwg0452，感谢你的留言。👍🏻👍🏻👍🏻👍🏻👍🏻👍🏻👍🏻👍🏻。加油^^。如果可以的话，实现起来也比较麻烦，比较难判断输出特征图宽与高如何才能与输入的相同。

    
    1
  • Hong
    2023-02-20 来自上海
    padding为’same’时，stride不能大于1，简单理解，当大于1时，相当于通过stride进行降级采样，输入特征图和输出特征图尺寸不可能相等了~ 老师，这么理解对吗？

    作者回复: 嗯嗯 可以

    
    
  • chenyuping
    2022-10-10 来自北京
    老师，您好，请问padding=1和same的效果是一样的吗？ 对这个我有一点疑惑，padding=1是补一圈0，然后same的时候我看的例子是在右边和下边补0。感觉两者效果不一样吧，因为padding=1的时候，算下来会比原来的长宽，各多出一个像素吧？ 另外，为什么valid 和same 的时候 stride只能是1，这个没有想明白。

    作者回复: 你好，你的理解是对的。padding=1与same是不一样的。 stride=1的原因可以参考卷积输出尺寸的计算公式，其实是只要是奇数就行。 只不过只有等于1才有实际意义。

    
    
  • John(易筋)
    2022-07-31 来自北京
    平移不变性（translation invariant）指的是CNN对于同一张图及其平移后的版本，都能输出同样的结果。这对于图像分类（image classification）问题来说肯定是最理想的，因为对于一个物体的平移并不应该改变它的类别。而对于其它问题，比如物体检测（detection）、物体分割（segmentation）来说，这个性质则不应该有，原因是当输入发生平移时，输出也应该相应地进行平移。这种性质又称为平移等价性（translation equivalence）。 稀疏连接学生认为是stride，可以跳过一些计算，池化层可以缩小图片大小。 参数的学习需要数据，由于数据中平移的分布一般都比较不均匀，引入平移的数据增强（augmentation）肯定是必要的。其实裁切（crop）就是一种平移的数据增强方式，因为不同裁切方式对应的patch之间的变换就是平移。而且这种方式相比于平移更加自然，没有周围的黑边padding，因此更加常用。总结起来，就是CNN的平移不变性主要是通过数据学习来的，结构只能带来非常弱的平移不变性，而学习又依赖于数据增强中的裁切，裁切相当于一种更好的图像平移。 希望老师点评，wx: zgpeace 参考：https://www.zhihu.com/question/301522740/answer/531606623
    展开

    作者回复: 👍🏻，理解的很棒。 平移不变性我的理解跟你稍有不同。有限数据是很重要的，最好要保证数据的多样性，CNN本身就具有平移不变性的优点。两者结合才可以获得很好的效果。

    
    
  • 梁
    2022-06-06
    你好，老师，请问有无这些文章中的完整案例，直接看只言片语感觉比较吃力

    作者回复: hi，梁，你好，谢谢你的留言。 在后续的实战中会有案例，你可以参考一下。

    
    
  • 亚林
    2022-05-16
    不能。 ValueError: padding='same' is not supported for strided convolutions

    作者回复: 👍🏻👍🏻👍🏻^^

    
    