pytorch 自定义卷积核进行卷积操作方式

前端之家收集整理的这篇文章主要介绍了pytorch 自定义卷积核进行卷积操作方式前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。
@H_301_0@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)
@H_301_0@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。

@H_301_0@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。

@H_301_0@解决方案。使用

torch.nn.functional.conv2d(input,weight,bias=None,groups=1)
@H_301_0@

pytorch 自定义卷积核进行卷积操作方式


@H_301_0@这里注意下weight的参数。与nn.Conv2d的参数不一样

@H_301_0@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],[0.03797616,0.03797616]]
@H_301_0@四 完整代码

class GaussianBlur(nn.Module):
  def __init__(self):
    super(GaussianBlur,self).__init__()
    kernel = [[0.03797616,0.03797616]]
    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),padding=2)
    x3 = F.conv2d(x3.unsqueeze(1),padding=2)
    x = torch.cat([x1,x2,x3],dim=1)
    return x
@H_301_0@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)

@H_301_0@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:

  def blur(self,tensor_image):
    kernel = [[0.03797616,0.03797616]]

    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,1,1)
@H_301_0@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我们。

猜你在找的Python相关文章