tensorflow.contrib.slim.nets.resnet_utils.conv2d_same函数

from tensorflow.contrib import slim
import tensorflow as tf

input1 = tf.Variable(tf.random_normal([1,513,513,3]))
input2 = tf.Variable(tf.random_normal([1,513,513,3]))


def conv2d_same(inputs, num_outputs, kernel_size, stride, rate=1, scope=None):
  if stride == 1:
    return slim.conv2d(inputs, num_outputs, kernel_size, stride=1, rate=rate,
                       padding='SAME', scope=scope)
  else:
    kernel_size_effective = kernel_size + (kernel_size - 1) * (rate - 1)
    pad_total = kernel_size_effective - 1
    pad_beg = pad_total // 2
    pad_end = pad_total - pad_beg
    inputs = tf.pad(inputs,
                    [[0, 0], [pad_beg, pad_end], [pad_beg, pad_end], [0, 0]])
    return slim.conv2d(inputs, num_outputs, kernel_size, stride=stride,
                       rate=rate, padding='VALID', scope=scope)
                                              
input1 = conv2d_same(input1, 32, 3, stride=2)
input2 = conv2d_same(input2, 32, 3, stride=1)
print(input1)
print(input2)

最终运行结果为 input1 = Tensor("Conv/Relu:0", shape=(1, 257, 257, 32), dtype=float32) input2 = Tensor("Conv_1/Relu:0", shape=(1, 513, 513, 32), dtype=float32)
从结果可以看出当步长为1时，conv2d_same函数和普通卷积函数没有区别，如conv2d一样；
当步长大于1时则会进行其他操作，如上面所示，首先使用空洞卷积的特性改变卷积核大小，由于空洞率rata为1，故卷积核大小不变，之后使用填充0的方式扩充图像边缘尺寸，最后使用conv2d函数进行卷积。