在PyTorch中使用预定义的不可训练卷积核进行卷积

Question

我想向我的神经网络引入一个自定义层。数学操作应该是使用非可训练内核的离散2D交叉相关(或卷积)。内核中的值取决于三个方面：内核形状、步幅和填充。我打算对输出进行逐元素乘以权重矩阵。

PyTorch已经实现了一个名为“Conv2d”的离散2D交叉相关类，但是它生成一个随机内核并使用该内核的条目进行训练。如果可能，我希望有一个类似于“Conv2d”的类来实现我需要的功能，以确保最有效地使用我的GPU。我尝试自己实现这个过程，但无法找到正确的输入数组形状。“Conv2d”只使用“in_channels”，如果我理解正确的话。

- ty.

Answer 1

如果我理解正确的话，您想要一个定义了内核但不可学习的Conv2d层。

在这种情况下，您可以像这样使用conv2d函数：

import torch.nn.functional as F
output_tensor = F.conv2d(input_tensor, your_kernel, ...)

参数your_kernel是您的权重矩阵，您还需要声明函数的其他参数，例如padding和stride。

然后，您需要将requires_grad属性设置为'False'，如果您不希望它可学习，则从优化器中排除它。

关于形状问题，也许您想要查看这个。

- wyhn.w