我的代码：
import tensorflow as tf
from tensorflow.keras.layers import Conv2D
import torch, torchvision
import torch.nn as nn
import numpy as np
# Define the PyTorch layer
pt_layer = torch.nn.Conv2d(3, 12, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)
# Get the weight tensor from the PyTorch layer
pt_weights = pt_layer.weight.detach().numpy()
# Create the equivalent Keras layer
keras_layer = Conv2D(12, kernel_size=(3, 3), strides=(2, 2), padding='same', use_bias=False, input_shape=(None, None, 3))
# Build the Keras layer to initialize its weights
keras_layer.build((None, None, None, 3))
# Transpose the PyTorch weights to match the expected shape of the Keras layer
keras_weights = pt_weights.transpose(2, 3, 1, 0)
# Set the weights of the Keras layer to the PyTorch weights
keras_layer.set_weights([keras_weights])
#Test both models
arr = np.random.normal(0,1,(1, 3, 224, 224))
print(pt_layer(torch.from_numpy(arr).float())[0,0])
print(keras_layer(arr.transpose(0,2,3,1))[0,:,:,0])我希望这两个打印非常相似，但实际上是不同的。我在Colab上运行了它，以确保它不是由于旧的Pytorch/Keras版本。我肯定我错过了一些琐碎的东西，但我找不到它...欢迎任何帮助，请。
2条答案
按热度按时间smtd7mpg1#
找到了答案：Keras和Pytorch中的填充似乎完全不同。要修复，请使用ZeroPadding2D：
rekjcdws2#
对上述内容进行补充：对于那些好奇的人来说，它与如何根据图像大小计算填充有关。输出图像的高度计算为
output height = (input height + padding height top + padding height bottom - kernel height) / (stride height) + 1因此，对于大小为5的图像，大小为3的内核，步长为2，我们得到
output height = (5 + 1 + 1 - 3) / 2 + 1 = 3这是一个整数。当输出不是整数时，PyTorch和Keras的行为不同。例如，在上面的例子中，目标图像大小将是122.5，将被舍入为122。
PyTorch，不管舍入与否，总是会在所有侧面添加填充（由于层定义）。另一方面，Keras不会在图像的顶部和左侧添加填充，导致卷积从图像的原始左上角开始，而不是填充的那个，给出不同的结果。
示意性地，如果我们有一个4x4的图像，它看起来像这样：（其中xs表示卷积，0表示填充，点表示“缺失”填充）：