如何在 pytorch conv2d 中制作过滤器

Question

我对 pytorch 真的很陌生，而且我自己一直在做代码卷积。

为了对输入数据应用卷积，我使用 conv2d。

在文档中，

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

但是过滤器在哪里？ 为了进行卷积，我们应该使用 kernel 对输入数据进行处理。 但是只有 kernel 尺寸，没有 kernel 的元素。

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

Answer 1

您不需要定义 kernel 的元素。 kernel的元件将通过图灵训练学习。

Answer 2

可以使用Conv2d object 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)

默认情况下，通过 从均匀分布中采样来初始化权重。 您还可以使用各种权重初始化方案来初始化权重。

如果要手动更改权重，可以通过直接修改weight参数来实现。 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，并且它们的权重在进行backward()调用时会自动更新。

Answer 3

您可以使用功能 conv2d function，它需要一个额外的过滤器张量（作为参数weights ）。 nn.Conv2d层依赖此操作，但自动处理过滤器/权重的学习，这通常更方便