pytorch 如何自定義卷積核權(quán)值參數(shù)
pytorch中構(gòu)建卷積層一般使用nn.Conv2d方法,有些情況下我們需要自定義卷積核的權(quán)值weight,而nn.Conv2d中的卷積參數(shù)是不允許自定義的,此時可以使用torch.nn.functional.conv2d簡稱F.conv2d
torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)
F.conv2d可以自己輸入且也必須要求自己輸入卷積權(quán)值weight和偏置bias。因此,構(gòu)建自己想要的卷積核參數(shù),再輸入F.conv2d即可。
下面是一個用F.conv2d構(gòu)建卷積層的例子
這里為了網(wǎng)絡模型需要寫成了一個類:
class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.weight = nn.Parameter(torch.randn(16, 1, 5, 5)) # 自定義的權(quán)值 self.bias = nn.Parameter(torch.randn(16)) # 自定義的偏置 def forward(self, x): x = x.view(x.size(0), -1) out = F.conv2d(x, self.weight, self.bias, stride=1, padding=0) return out
值得注意的是,pytorch中各層需要訓練的權(quán)重的數(shù)據(jù)類型設為nn.Parameter,而不是Tensor或者Variable。parameter的require_grad默認設置為true,而Varaible默認設置為False。
補充:pytorch中卷積參數(shù)的理解
kernel_size代表著卷積核,例如kernel_size=3或kernel_size=(3,7);
stride
:表明卷積核在像素級圖像上行走的步長,如圖2,步長為1;
padding
:為上下左右填充的大小,例如padding=0/1/(1,1)/(1,3),
padding=0 不填充;
padding=1/(1,1) 上下左右分別填充1個格;
padding=(1,3) 高(上下)填充2個格,寬(左右)填充6個格;
卷積代碼
torch.nn.Conv2d(512,512,kernel_size=(3,7),stride=2,padding=1)
指定輸出形狀的上采樣
def upsample_add(self,x,y): _,_,H,W = y.size() return F.interpolate(x, size=(H,W), mode='bilinear', align_corners=False) + y
反卷積上采樣
output_shape_w=kernel_size_w+(output_w-1)(kernel_size_w-1)+2padding
self.upscore2 = nn.ConvTranspose2d( 512, 1, kernel_size=3, stride=2,padding=0, bias=False)
以上為個人經(jīng)驗,希望能給大家一個參考,也希望大家多多支持腳本之家。
相關(guān)文章
Python處理數(shù)據(jù)之匹配兩個Excel文件數(shù)據(jù)的實現(xiàn)方法
這篇文章主要給大家介紹了關(guān)于Python處理數(shù)據(jù)之匹配兩個Excel文件數(shù)據(jù)的實現(xiàn)方法,可以使用Python的Pandas庫來實現(xiàn)兩層循環(huán)匹配兩個Excel文件,需要的朋友可以參考下2023-09-09JetBrains PyCharm(Community版本)的下載、安裝和初步使用圖文教程詳解
這篇文章主要介紹了JetBrains PyCharm(Community版本)的下載、安裝和初步使用教程,本文圖文并茂給大家介紹的非常詳細,對大家的學習和工作具有一定的參考借鑒價值 ,需要的朋友可以參考下2020-03-03