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(shí)可以使用torch.nn.functional.conv2d簡(jiǎn)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(gè)用F.conv2d構(gòu)建卷積層的例子

這里為了網(wǎng)絡(luò)模型需要寫成了一個(gè)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(xùn)練的權(quán)重的數(shù)據(jù)類型設(shè)為nn.Parameter，而不是Tensor或者Variable。parameter的require_grad默認(rèn)設(shè)置為true，而Varaible默認(rèn)設(shè)置為False。

補(bǔ)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(jí)圖像上行走的步長(zhǎng)，如圖2，步長(zhǎng)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(gè)格；

padding=（1，3） 高（上下）填充2個(gè)格，寬（左右）填充6個(gè)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(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。