如何在 pytorch conv2d 中制作过滤器

Question

我是pytorch新手，一直在自己做代码卷积

为了对输入数据应用卷积，我使用了 conv2d。

在文档中，

torch.nn.Conv2d(in_channels, out_channels, kernel_size ...)

但是过滤器在哪里？要进行卷积，我们应该使用内核对输入数据进行卷积。但是只有内核大小，没有内核的元素。

例如，有一个输入数据 5x5 和 2x2 内核，所有 4 个内核的元素都是 1 那么我可以制作 4x4 输出。那么kernel的元素应该放在哪里呢？

Answer 1

可以使用 Conv2d 对象的 weight 参数访问过滤器权重。例如，

>>> c = torch.nn.Conv2d(in_channels=2, out_channels=2, kernel_size=3)
>>> c.weight
Parameter containing:
tensor([[[[ 0.2156,  0.0930, -0.2319],
      [ 0.1333, -0.0846,  0.1848],
      [ 0.0765, -0.1799, -0.1273]],

     [[ 0.1173,  0.1650, -0.0876],
      [-0.1353,  0.0616, -0.1136],
      [-0.2326, -0.1509,  0.0651]]],


    [[[-0.2026,  0.2210,  0.0409],
      [-0.0818,  0.0793,  0.1074],
      [-0.1430, -0.0118, -0.2100]],

     [[-0.2025, -0.0508, -0.1731],
      [ 0.0217, -0.1616,  0.0702],
      [ 0.1903, -0.1864,  0.1523]]]], requires_grad=True)

权重默认由sampling from a uniform distribution. You can also initialize weights using various 初始化。

如果想手动改变权重，直接修改weight参数即可。例如，要将所有权重设置为 1，请使用

>>> c.weight.data = torch.ones_like(c.weight)
>>> c.weight
Parameter containing:
tensor([[[[1., 1., 1.],
      [1., 1., 1.],
      [1., 1., 1.]],

     [[1., 1., 1.],
      [1., 1., 1.],
      [1., 1., 1.]]],


    [[[1., 1., 1.],
      [1., 1., 1.],
      [1., 1., 1.]],

     [[1., 1., 1.],
      [1., 1., 1.],
      [1., 1., 1.]]]], requires_grad=True)

请注意，在训练期间，卷积层通常是计算图的一部分，并且它们的权重会在进行 backward() 调用时自动更新。

Answer 2

您可以使用 functional conv2d 函数，它需要一个额外的过滤器张量（作为参数 weights）。 nn.Conv2d层依赖这个操作但是自动处理filters/weights层的学习，这通常更方便

如何在 pytorch conv2d 中制作过滤器

How can I make a filter in pytorch conv2d

python

pytorch

conv-neural-network

convolution