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

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

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

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：

 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脚本之家。