主要目标

具有SeparableConv2D的PyTorch等效项padding = 'same'：

from tensorflow.keras.layers import SeparableConv2D
x = SeparableConv2D(64, (1, 16), use_bias = False, padding = 'same')(x)

SeparableConv2D的PyTorch等效项是什么？

该消息来源说：

如果groups = nInputPlane，kernel =（K，1），（并且之前是具有groups = 1和kernel =（1，K）的Conv2d层），则它是可分离的。

虽然此消息说：

其核心思想是将完整的卷积酸分解为两步计算：深度卷积和点积。

这是我的尝试：

class SeparableConv2d(nn.Module):
    def __init__(self, in_channels, out_channels, depth, kernel_size, bias=False):
        super(SeparableConv2d, self).__init__()
        self.depthwise = nn.Conv2d(in_channels, out_channels*depth, kernel_size=kernel_size, groups=in_channels, bias=bias)
        self.pointwise = nn.Conv2d(out_channels*depth, out_channels, kernel_size=1, bias=bias)

    def forward(self, x):
        out = self.depthwise(x)
        out = self.pointwise(out)
        return out

这样对吗？这等于tensorflow.keras.layers.SeparableConv2D吗？

那又如何padding = 'same'呢？

在执行此操作时如何确保我的输入和输出大小相同？

我的尝试：

x = F.pad(x, (8, 7, 0, 0), )

因为内核大小为(1,16)，所以我分别添加了左填充和右填充（分别为8和7）。这是正确的方法（也是最好的方法）padding = 'same'吗？如何将其放置在SeparableConv2d班级中，并根据给定的输入数据维度大小即时计算？

全部一起

class SeparableConv2d(nn.Module):
    def __init__(self, in_channels, out_channels, depth, kernel_size, bias=False):
        super(SeparableConv2d, self).__init__()
        self.depthwise = nn.Conv2d(in_channels, out_channels*depth, kernel_size=kernel_size, groups=in_channels, bias=bias)
        self.pointwise = nn.Conv2d(out_channels*depth, out_channels, kernel_size=1, bias=bias)

    def forward(self, x):
        out = self.depthwise(x)
        out = self.pointwise(out)
        return out


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.separable_conv = SeparableConv2d(
            in_channels=32, 
            out_channels=64, 
            depth=1, 
            kernel_size=(1,16)
        )
        
    def forward(self, x):
        x = F.pad(x, (8, 7, 0, 0), )
        x = self.separable_conv(x)
        return x

这些代码有问题吗？