如何解析基于Pytorch的動態卷積復現

今天就跟大家聊聊有關如何解析基于Pytorch的動態卷積復現，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

簡單回顧

這里主要是改進傳統卷積，讓每層的卷積參數在推理的時候也是隨著輸入可變的，而不是傳統卷積中對任何輸入都是固定不變的參數。

 

對于卷積過程中生成的一個特征圖  ，先對特征圖做幾次運算，生成  個和為  的參數  ，然后對  個卷積核參數進行線性求和，這樣推理的時候卷積核是隨著輸入的變化而變化的。(可以看看其他的講解文章，本文主要理解怎么寫代碼)

下面是attention代碼的簡易版本，輸出的是[  ,  ]大小的加權參數。  對應著要被求和的卷積核數量。

class attention2d(nn.Module):
    def __init__(self, in_planes, K,):
        super(attention2d, self).__init__()
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.fc1 = nn.Conv2d(in_planes, K, 1,)
        self.fc2 = nn.Conv2d(K, K, 1,)

    def forward(self, x):
        x = self.avgpool(x)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x).view(x.size(0), -1)
        return F.softmax(x, 1)

下面是文章中  個卷積核求和的公式。

其中  是輸入，  是輸出；可以看到  進行了兩次運算，一次用于求注意力的參數（用于生成動態的卷積核），一次用于被卷積。

但是，寫代碼的時候如果直接將  個卷積核求和，會出現問題。接下來我們先回顧一下Pytorch里面的卷積參數，然后描述一下可能會出現的問題，再講解如何通過分組卷積去解決問題。

Pytorch卷積的實現

我會從維度的視角回顧一下Pytorch里面的卷積的實現（大家也可以手寫一下，幾個重點：輸入維度、輸出維度、正常卷積核參數維度、分組卷積維度、動態卷積維度、attention模塊輸出維度）。

輸入：輸入數據維度大小為[ ,  ,  ,  ]。

輸出：輸出維度為[  ,  ,  ,  ]。

卷積核：正常卷積核參數維度為[  ,  ,  ,  ]。（在Pytorch中，2d卷積核參數應該是固定這種維度的）

這里我們可以注意到，正常卷積核參數的維度是不存在  的。因為對于正常的卷積來說，不同的輸入數據，使用的是相同的卷積核，卷積核的數量與一次前向運算所輸入的  大小無關（相同層的卷積核參數只需要一份）。

可能會出現的問題

這里描述一下實現動態卷積代碼的過程中可能因為  大于1而出現的問題。

對于圖中attention模塊最后softmax輸出的  個數，他們的維度為[  ,  ,  ,  ]，可以直接.view成[  ,  ]，緊接著  作用于  卷積核參數上（形成動態卷積）。

問題所在：正常卷積，一次輸入多個數據，他們的卷積核參數是一樣的，所以只需要一份網絡參數即可；但是對于動態卷積而言，每個輸入數據用的都是不同的卷積核，所以需要  份網絡參數，不符合Pytorch里面的卷積參數格式，會出錯。

看下維度運算[  ,  ]*[  ,  ,  ,  ,  ],生成的動態卷積核是[  ,  ,  ,  ,  ]，不符合Pytorch里面的規定，不能直接參與運算（大家可以按照這個思路寫個代碼看看，體會一下，光看可能感覺不出來問題），最簡單的解決辦法就是  等于1，不會出現錯誤，但是慢啊！！！

總之，  大于1會導致中間卷積核參數不符合規定。

分組卷積以及如何通過分組卷積實現  大于1的動態卷積

一句話描述分組卷積：對于多通道的輸入，將他們分成幾部分各自進行卷積，結果concate。

組卷積過程用廢話描述：對于輸入的數據[  ,  ,  ,  ]，假設  為  ，那么分組卷積就是將他分為兩個  為  的數據（也可以用其他方法分），那么維度就是[  , 5x2 ,  ,  ]，換個維度換下視角，[  ,  ,  ,  ]，那么  為2的組卷積可以看成  的正常卷積。（如果還是有點不了解分組卷積，可以閱讀其他文章仔細了解一下。）

巧妙的轉換：上面將  翻倍即可將分組卷積轉化成正常卷積，那么反向思考一下，將  變為1，是不是可以將正常卷積變成分組卷積？

我們將  大小看成分組卷積中  的數量，令  所在維度直接變為  ！！！直接將輸入數據從[  ,  ,  ,  ]變成[1,  ,  ,  ]，就可以用分組卷積解決問題了！！！

詳細描述實現過程：將輸入數據的維度看成[1,  ,  ,  ](分組卷積的節奏)；卷積權重參數初始化為[  ,  ,  ,  ,  ]，attention模塊生成的維度為[  ,  ],直接進行正常的矩陣乘法[  ,  ]*[  ,  * *  *  ]生成動態卷積的參數，生成的動態卷積權重維度為[  ,  ,  ,  ,  ]，將其看成分組卷積的權重[  ,  ,  ,  ](過程中包含reshape)。這樣的處理就完成了，輸入數據[  ,  ,  ,  ]，動態卷積核[  ,  ,  ,  ]，直接是  的分組卷積，問題解決。

具體代碼如下：

class Dynamic_conv2d(nn.Module):
    def __init__(self, in_planes, out_planes, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, K=4,):
        super(Dynamic_conv2d, self).__init__()
        assert in_planes%groups==0
        self.in_planes = in_planes
        self.out_planes = out_planes
        self.kernel_size = kernel_size
        self.stride = stride
        self.padding = padding
        self.dilation = dilation
        self.groups = groups
        self.bias = bias
        self.K = K
        self.attention = attention2d(in_planes, K, )

        self.weight = nn.Parameter(torch.Tensor(K, out_planes, in_planes//groups, kernel_size, kernel_size), requires_grad=True)
        if bias:
            self.bias = nn.Parameter(torch.Tensor(K, out_planes))
        else:
            self.bias = None


    def forward(self, x):#將batch視作維度變量，進行組卷積，因為組卷積的權重是不同的，動態卷積的權重也是不同的
        softmax_attention = self.attention(x)
        batch_size, in_planes, height, width = x.size()
        x = x.view(1, -1, height, width)# 變化成一個維度進行組卷積
        weight = self.weight.view(self.K, -1)

        # 動態卷積的權重的生成， 生成的是batch_size個卷積參數（每個參數不同）
        aggregate_weight = torch.mm(softmax_attention, weight).view(-1, self.in_planes, self.kernel_size, self.kernel_size)
        if self.bias is not None:
            aggregate_bias = torch.mm(softmax_attention, self.bias).view(-1)
            output = F.conv2d(x, weight=aggregate_weight, bias=aggregate_bias, stride=self.stride, padding=self.padding,
                              dilation=self.dilation, groups=self.groups*batch_size)
        else:
            output = F.conv2d(x, weight=aggregate_weight, bias=None, stride=self.stride, padding=self.padding,
                              dilation=self.dilation, groups=self.groups * batch_size)

        output = output.view(batch_size, self.out_planes, output.size(-2), output.size(-1))
        return output

看完上述內容，你們對如何解析基于Pytorch的動態卷積復現有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。