pytorch中構建卷積層一般使用nn.Conv2d方法，有些情況下我們需要自定義卷積核的權值weight，而nn.Conv2d中的卷積參數是不允許自定義的，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值weight和偏置bias。因此，構建自己想要的卷積核參數，再輸入F.conv2d即可。
下面是一個用F.conv2d構建卷積層的例子
這里為了網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重的數據類型設為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)
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- pytorch固定BN層參數的操作
- pytorch交叉熵損失函數的weight參數的使用
- Pytorch 統計模型參數量的操作 param.numel()
- pytorch 一行代碼查看網絡參數總量的實現
- pytorch查看網絡參數顯存占用量等操作
- pytorch 優化器(optim)不同參數組,不同學習率設置的操作
- pytorch LayerNorm參數的用法及計算過程
