当前位置:   article > 正文

pytorch 自定义卷积核进行卷积操作_pytorch自定义卷积核参数

pytorch自定义卷积核参数

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。

  1. kernel = [[0.03797616, 0.044863533, 0.03797616],
  2. [0.044863533, 0.053, 0.044863533],
  3. [0.03797616, 0.044863533, 0.03797616]]

四 完整代码

  1. class GaussianBlur(nn.Module):
  2. def __init__(self):
  3. super(GaussianBlur, self).__init__()
  4. kernel = [[0.03797616, 0.044863533, 0.03797616],
  5. [0.044863533, 0.053, 0.044863533],
  6. [0.03797616, 0.044863533, 0.03797616]]
  7. kernel = torch.FloatTensor(kernel).unsqueeze(0).unsqueeze(0)
  8. self.weight = nn.Parameter(data=kernel, requires_grad=False)
  9. def forward(self, x):
  10. x1 = x[:, 0]
  11. x2 = x[:, 1]
  12. x3 = x[:, 2]
  13. x1 = F.conv2d(x1.unsqueeze(1), self.weight, padding=2)
  14. x2 = F.conv2d(x2.unsqueeze(1), self.weight, padding=2)
  15. x3 = F.conv2d(x3.unsqueeze(1), self.weight, padding=2)
  16. x = torch.cat([x1, x2, x3], dim=1)
  17. 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:

  1. def blur(self, tensor_image):
  2. kernel = [[0.03797616, 0.044863533, 0.03797616],
  3. [0.044863533, 0.053, 0.044863533],
  4. [0.03797616, 0.044863533, 0.03797616]]
  5. min_batch=tensor_image.size()[0]
  6. channels=tensor_image.size()[1]
  7. out_channel=channels
  8. kernel = torch.FloatTensor(kernel).expand(out_channel,channels,3,3)
  9. self.weight = nn.Parameter(data=kernel, requires_grad=False)
  10. return F.conv2d(tensor_image,self.weight,1,1)

 

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/笔触狂放9/article/detail/194244
推荐阅读
相关标签
  

闽ICP备14008679号