pytorch如何自定義卷積核進行卷積操作

這篇文章主要為大家展示了“pytorch如何自定義卷積核進行卷積操作”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“pytorch如何自定義卷積核進行卷積操作”這篇文章吧。

一 卷積操作：在pytorch搭建起網絡時，大家通常都使用已有的框架進行訓練，在網絡中使用最多就是卷積操作，最熟悉不過的就是

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

通過上面的輸入發現想自定義自己的卷積核，比如高斯核，發現是行不通的，因為上面的參數里面只有卷積核尺寸，而權值weight是通過梯度一直更新的，是不確定的。

二 需要自己定義卷積核的目的：目前是需要通過一個VGG網絡提取特征特后需要對其進行高斯卷積，卷積后再繼續輸入到網絡中訓練。

三 解決方案。使用

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

這里注意下weight的參數。與nn.Conv2d的參數不一樣

可以發現F.conv2d可以直接輸入卷積的權值weight，也就是卷積核。那么接下來就要首先生成一個高斯權重了。這里不直接一步步寫了，直接輸入就行。

kernel = [[0.03797616, 0.044863533, 0.03797616],
     [0.044863533, 0.053, 0.044863533],
     [0.03797616, 0.044863533, 0.03797616]]

四 完整代碼

class GaussianBlur(nn.Module):
  def __init__(self):
    super(GaussianBlur, self).__init__()
    kernel = [[0.03797616, 0.044863533, 0.03797616],
         [0.044863533, 0.053, 0.044863533],
         [0.03797616, 0.044863533, 0.03797616]]
    kernel = torch.FloatTensor(kernel).unsqueeze(0).unsqueeze(0)
    self.weight = nn.Parameter(data=kernel, requires_grad=False)
 
  def forward(self, x):
    x1 = x[:, 0]
    x2 = x[:, 1]
    x3 = x[:, 2]
    x1 = F.conv2d(x1.unsqueeze(1), self.weight, padding=2)
    x2 = F.conv2d(x2.unsqueeze(1), self.weight, padding=2)
    x3 = F.conv2d(x3.unsqueeze(1), self.weight, padding=2)
    x = torch.cat([x1, x2, x3], dim=1)
    return x

這里為了網絡模型需要寫成了一個類，這里假設輸入的x也就是經過網絡提取后的三通道特征圖（當然不一定是三通道可以是任意通道）

如果是任意通道的話，使用torch.expand(）向輸入的維度前面進行擴充。如下：

  def blur(self, tensor_image):
    kernel = [[0.03797616, 0.044863533, 0.03797616],
        [0.044863533, 0.053, 0.044863533],
        [0.03797616, 0.044863533, 0.03797616]]
    
    min_batch=tensor_image.size()[0]
    channels=tensor_image.size()[1]
    out_channel=channels
    kernel = torch.FloatTensor(kernel).expand(out_channel,channels,3,3)
    self.weight = nn.Parameter(data=kernel, requires_grad=False)
 
    return F.conv2d(tensor_image,self.weight,1,1)

以上是“pytorch如何自定義卷積核進行卷積操作”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！