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)
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
您可能感兴趣的文章:- pytorch固定BN层参数的操作
- pytorch交叉熵损失函数的weight参数的使用
- Pytorch 统计模型参数量的操作 param.numel()
- pytorch 一行代码查看网络参数总量的实现
- pytorch查看网络参数显存占用量等操作
- pytorch 优化器(optim)不同参数组,不同学习率设置的操作
- pytorch LayerNorm参数的用法及计算过程
