PyTorch 中的自定义卷积核和环形卷积

Question

我想用 PyTorch 卷积做两件事 documentation 或代码中没有提到：

我想像这样创建一个具有固定内核的卷积：
```
000010000
000010000
100010001
000010000
000010000
```
我猜水平方面就像膨胀，但垂直部分不同。我看到膨胀可以作为代码中的参数使用，但它必须是标量或单元素元组（不是每个维度一个元素），所以我认为它不能在这里做我想要的。
我希望我的卷积像环形一样 "wrap around"，而不是使用填充。

编辑添加： 我看到有一个 open issue for this , which also provides a suboptimal workaround。所以，我想目前还没有 "right" 的方法。

Answer 1

不像 torch.nn.conv2d() (which instantiates its own trainable kernel), torch.nn.functional.conv2d() 将矩阵和内核都作为参数，因此您可以传递任何您想要的自定义内核。
正如您自己提到的 @zou3519 in a Github issue (linked to the issue 所建议的那样），您可以通过“在 nxn 网格中重复张量，然后裁剪出您需要的部分。":

def circular_pad_2d(x, pad=(1, 1)):
   # Snipped by @zou3519 (https://github.com/zou3519)
   return x.repeat(*x_shape[:2])[
        (x.shape[0]-pad[0]):(2*x.shape[0]+pad[0]), 
        (x.shape[1]-pad[1]):(2*x.shape[1]+pad[1])
   ]

# Example:
x = torch.tensor([[1,2,3],[4,5,6]])
y = circular_pad_2d(x, pad=(2, 3))
print(y)
#     1     2     3     1     2     3     1     2     3
#     4     5     6     4     5     6     4     5     6
#     1     2     3     1     2     3     1     2     3
#     4     5     6     4     5     6     4     5     6

(previous) 同样在 torch.nn.functional 模块中，torch.nn.functional.pad() can take as parameter mode=reflect, which is what you want I believe (?). You could use this method to manually pad your input matrix before performing the convolution. (note: you also have the torch.nn.ReflectionPad2d 层专门为固定的 2D 填充量身定制通过反射)

PyTorch 中的自定义卷积核和环形卷积

Custom convolution kernel and toroidal convolution in PyTorch

padding

convolution

pytorch

convolutional-neural-network