pytorch 如何自定义卷积核权值参数

pytorch中构建卷积层一般使用nn.Conv2d方法，有些情况下我们需要自定义卷积核的权值weight，而nn.Conv2d中的卷积参数是不允许自定义的，此时可以使用torch.nn.functional.conv2d简称F.conv2d

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)

F.conv2d可以自己输入且也必须要求自己输入卷积权值weight和偏置bias。因此，构建自己想要的卷积核参数，再输入F.conv2d即可。

下面是一个用F.conv2d构建卷积层的例子

这里为了网络模型需要写成了一个类：

class CNN(nn.Module):
   def __init__(self):
       super(CNN, self).__init__()
       self.weight = nn.Parameter(torch.randn(16, 1, 5, 5))  # 自定义的权值
       self.bias = nn.Parameter(torch.randn(16))    # 自定义的偏置

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中各层需要训练的权重的数据类型设为nn.Parameter，而不是Tensor或者Variable。parameter的require_grad默认设置为true，而Varaible默认设置为False。

补充：pytorch中卷积参数的理解

kernel_size代表着卷积核，例如kernel_size=3或kernel_size=（3，7）；

stride：表明卷积核在像素级图像上行走的步长，如图2，步长为1；

padding：为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） 上下左右分别填充1个格；

padding=（1，3） 高（上下）填充2个格，宽（左右）填充6个格；

卷积代码

torch.nn.Conv2d(512,512,kernel_size=(3,7),stride=2,padding=1)

指定输出形状的上采样

def upsample_add(self,x,y):
       _,_,H,W = y.size()
       return F.interpolate(x, size=(H,W), mode='bilinear', align_corners=False) + y

反卷积上采样

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)

来源：https://blog.csdn.net/weixin_38314865/article/details/105941140