所以我目前正在构建一个 2 通道（也称为双通道）卷积神经网络，用于测量 2 个（二进制）图像之间的相似性。
我遇到的问题如下：
我的输入图像是 40 x 50，经过 1 个卷积层和 1 个池化层（例如）后，输出大小是 18 x 23。那么如何进行更多池化而不最终得到非整数输出大小？例如，将大小为 2 x 2 的 18 x 23 图像池化，输出大小由 9 x 11.5 给出。
我似乎找不到任何合适的内核大小来避免这样的问题，我认为这是因为原始输入图像尺寸不是 2 的幂。例如，大小为 64 x 64 的输入图像正确的填充大小等没有这个问题。
非常感谢任何帮助。
【问题讨论】：
标签： python machine-learning deep-learning pytorch
关于你的问题：
那么如何进行更多的池化而不最终得到非整数输出大小？
假设你有：
import torch
from torch import nn
from torch.nn import functional as F
# equivalent to your (18 x 23) activation volume
x = torch.rand(1, 1, 4, 3)
print(x)
# tensor([[[[0.5005, 0.3433, 0.5252],
# [0.4878, 0.5266, 0.0237],
# [0.8600, 0.8092, 0.8912],
# [0.1623, 0.4863, 0.3644]]]])
如果您应用池化（在此示例中我将使用 MaxPooling，并且我假设您的意思是根据您预期的输出形状使用 stride=2 进行 2x2 池化）：
p = nn.MaxPool2d(2, stride=2)
y = p(x)
print(y.shape)
# torch.Size([1, 1, 2, 1])
print(y)
# tensor([[[[0.5266],
# [0.8600]]]])
如果你想拥有[1, 1, 2, 2]，可以设置ceil_mode=True 的MaxPooling：
p = nn.MaxPool2d(2, stride=2, ceil_mode=True)
y = p(x)
print(y.shape)
# torch.Size([1, 1, 2, 2])
print(y)
# tensor([[[[0.5266, 0.5252],
# [0.8600, 0.8912]]]])
您也可以填充音量以达到相同的效果（这里我假设音量有min=0，就好像它在 ReLU 之后一样）：
p = nn.MaxPool2d(2, stride=2)
y = p(F.pad(x, (0, 1), "constant", 0))
print(y.shape)
# torch.Size([1, 1, 2, 2])
print(y)
# tensor([[[[0.5266, 0.5252],
# [0.8600, 0.8912]]]])
关于：
我似乎找不到任何合适的内核大小来避免这样的问题，我认为这是由于原始输入图像尺寸不是 2 的幂。
好吧，如果你想使用将输入大小减半的池化操作（例如，kernel=2 和 stride=2 的 MaxPooling），那么使用 2 次方形状的输入非常方便（毕竟，您将能够执行许多这些 /2 操作）。但是，这不是必需的。您可以更改池化的步幅，始终可以使用ceil_mode=True 进行池化，还可以不对称地填充，以及许多其他事情。所有这些都是您在构建模型时必须做出的决定:)
【讨论】：