一 卷積操作：在pytorch搭建起網路時，大家通常都使用已有的框架進行訓練，在網路中使用最多就是卷積操作，最熟悉不過的就是

torch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True)

通過上面的輸入發現想自定義自己的卷積核，比如高斯核，發現是行不通的，因為上面的引數裡面只有卷積核尺寸，而權值weight是通過梯度一直更新的，是不確定的。

二 需要自己定義卷積核的目的：目前是需要通過一個VGG網路提取特徵特後需要對其進行高斯卷積，卷積後再繼續輸入到網路中訓練。

三 解決方案。使用

torch.nn.functional.conv2d(input,weight,bias=None,groups=1)

這裡注意下weight的引數。與nn.Conv2d的引數不一樣

可以發現F.conv2d可以直接輸入卷積的權值weight，也就是卷積核。那麼接下來就要首先生成一個高斯權重了。這裡不直接一步步寫了，直接輸入就行。

kernel = [[0.03797616,0.044863533,0.03797616],[0.044863533,0.053,0.044863533],[0.03797616,0.03797616]]

四 完整程式碼

class GaussianBlur(nn.Module):
  def __init__(self):
    super(GaussianBlur,self).__init__()
    kernel = [[0.03797616,0.03797616]]
    kernel = torch.FloatTensor(kernel).unsqueeze(0).unsqueeze(0)
    self.weight = nn.Parameter(data=kernel,requires_grad=False)
 
  def forward(self,x):
    x1 = x[:,0]
    x2 = x[:,1]
    x3 = x[:,2]
    x1 = F.conv2d(x1.unsqueeze(1),self.weight,padding=2)
    x2 = F.conv2d(x2.unsqueeze(1),padding=2)
    x3 = F.conv2d(x3.unsqueeze(1),padding=2)
    x = torch.cat([x1,x2,x3],dim=1)
    return x

這裡為了網路模型需要寫成了一個類，這裡假設輸入的x也就是經過網路提取後的三通道特徵圖（當然不一定是三通道可以是任意通道）

如果是任意通道的話，使用torch.expand(）向輸入的維度前面進行擴充。如下：

  def blur(self,tensor_image):
    kernel = [[0.03797616,0.03797616]]
    
    min_batch=tensor_image.size()[0]
    channels=tensor_image.size()[1]
    out_channel=channels
    kernel = torch.FloatTensor(kernel).expand(out_channel,channels,3,3)
    self.weight = nn.Parameter(data=kernel,requires_grad=False)
 
    return F.conv2d(tensor_image,1,1)

以上這篇pytorch 自定義卷積核進行卷積操作方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。