pytorch 自定義卷積核進(jìn)行卷積操作方式
一 卷積操作：在pytorch搭建起網(wǎng)絡(luò)時(shí)，大家通常都使用已有的框架進(jìn)行訓(xùn)練，在網(wǎng)絡(luò)中使用最多就是卷積操作，最熟悉不過(guò)的就是
torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
通過(guò)上面的輸入發(fā)現(xiàn)想自定義自己的卷積核，比如高斯核，發(fā)現(xiàn)是行不通的，因?yàn)樯厦娴膮?shù)里面只有卷積核尺寸，而權(quán)值weight是通過(guò)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(guò)一個(gè)VGG網(wǎng)絡(luò)提取特征特后需要對(duì)其進(jìn)行高斯卷積，卷積后再繼續(xù)輸入到網(wǎng)絡(luò)中訓(xùn)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(shù)。與nn.Conv2d的參數(shù)不一樣
可以發(fā)現(xiàn)F.conv2d可以直接輸入卷積的權(quán)值weight，也就是卷積核。那么接下來(lái)就要首先生成一個(gè)高斯權(quán)重了。這里不直接一步步寫(xiě)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(wǎng)絡(luò)模型需要寫(xiě)成了一個(gè)類，這里假設(shè)輸入的x也就是經(jīng)過(guò)網(wǎng)絡(luò)提取后的三通道特征圖（當(dāng)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(jìn)行擴(kuò)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)
以上這篇pytorch 自定義卷積核進(jìn)行卷積操作方式就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python框架Flask的基本數(shù)據(jù)庫(kù)操作方法分析
這篇文章主要介紹了Python框架Flask的基本數(shù)據(jù)庫(kù)操作方法,結(jié)合實(shí)例形式分析了Flask框架數(shù)據(jù)庫(kù)操作常用函數(shù)功能、用法及相關(guān)注意事項(xiàng),需要的朋友可以參考下2018-07-07
pip 20.3 新版本發(fā)布!即將拋棄 Python 2.x(推薦)
這篇文章主要介紹了pip 20.3 新版本發(fā)布!即將拋棄 Python 2.x,本文給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2020-12-12
下面小編就為大家?guī)?lái)一篇Django內(nèi)容增加富文本功能的實(shí)例。小編覺(jué)得挺不錯(cuò)的，現(xiàn)在就分享給大家，也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧2017-10-10
詳解Python連接MySQL數(shù)據(jù)庫(kù)的多種方式
這篇文章主要介紹了Python連接MySQL數(shù)據(jù)庫(kù)方式，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-04-04
Python使用Pandas讀寫(xiě)Excel實(shí)例解析
這篇文章主要介紹了Python使用Pandas讀寫(xiě)Excel實(shí)例解析,文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下2019-11-11
使用python存儲(chǔ)網(wǎng)頁(yè)上的圖片實(shí)例
今天小編就為大家分享一篇使用python存儲(chǔ)網(wǎng)頁(yè)上的圖片實(shí)例，具有很好的參考價(jià)值。希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-05-05
本文將詳細(xì)介紹python的內(nèi)置包——OS?包。OS?包擁有著普遍的操作系統(tǒng)功能，擁有著各種各樣的函數(shù)來(lái)操作系統(tǒng)的驅(qū)動(dòng)功能?？靵?lái)跟隨小編一起學(xué)習(xí)一下OS包的使用方法吧2022-03-03
Python?創(chuàng)建或讀取?Excel?文件的操作代碼
Excel是一種常用的電子表格軟件，廣泛應(yīng)用于金融、商業(yè)和教育等領(lǐng)域，本文介紹Python?創(chuàng)建或讀取?Excel?文件的操作代碼，感興趣的朋友一起看看吧2023-09-09
Python腳本支持OC代碼重構(gòu)模塊調(diào)用關(guān)系分析實(shí)踐
在軟件開(kāi)發(fā)中,經(jīng)常會(huì)遇到一些代碼問(wèn)題,例如邏輯結(jié)構(gòu)復(fù)雜、依賴關(guān)系混亂、代碼冗余、不易讀懂的命名等,這些問(wèn)題可能導(dǎo)致代碼的可維護(hù)性下降,增加維護(hù)成本,同時(shí)也會(huì)影響到開(kāi)發(fā)效率,本文以Python實(shí)現(xiàn)自動(dòng)化的工具,支持代碼重構(gòu)過(guò)程的實(shí)踐2023-10-10
SQLite是一個(gè)進(jìn)程內(nèi)的庫(kù)，實(shí)現(xiàn)了自給自足的、無(wú)服務(wù)器的、零配置的、事務(wù)性的 SQL 數(shù)據(jù)庫(kù)引擎，這篇文章主要介紹了Pycharm連接sqllite的圖文教程，本文通過(guò)圖文并茂的形式給大家介紹的非常詳細(xì),需要的朋友可以參考下2021-10-10