[英]How can I make a filter in pytorch conv2d
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?
您不需要定义 kernel 的元素。 kernel的元件将通过图灵训练学习。
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。
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
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.