pytorch 自定义卷积核进行卷积操作方式
一卷积操作：在pytorch搭建起网络时，大家通常都使用已有的框架进行训练，在网络中使用最多就是卷积操作，最熟悉不过的就是
torch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True)
通过上面的输入发现想自定义自己的卷积核，比如高斯核，发现是行不通的，因为上面的参数里面只有卷积核尺寸，而权值weight是通过梯度一直更新的，是不确定的。
二需要自己定义卷积核的目的：目前是需要通过一个VGG网络提取特征特后需要对其进行高斯卷积，卷积后再继续输入到网络中训练。
三解决方案。使用
torch.nn.functional.conv2d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
这里注意下weight的参数。与nn.Conv2d的参数不一样
可以发现F.conv2d可以直接输入卷积的权值weight，也就是卷积核。那么接下来就要首先生成一个高斯权重了。这里不直接一步步写了，直接输入就行。
kernel=[[0.03797616,0.044863533,0.03797616], [0.044863533,0.053,0.044863533], [0.03797616,0.044863533,0.03797616]]
四完整代码
classGaussianBlur(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) defforward(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) returnx
这里为了网络模型需要写成了一个类，这里假设输入的x也就是经过网络提取后的三通道特征图（当然不一定是三通道可以是任意通道）
如果是任意通道的话，使用torch.expand(）向输入的维度前面进行扩充。如下：
defblur(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) returnF.conv2d(tensor_image,self.weight,1,1)
以上这篇pytorch自定义卷积核进行卷积操作方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。