PyTorch基础之torch.nn.Conv2d中自定义权重问题
作者：gy笨瓜
torch.nn.Conv2d中自定义权重
torch.nn.Conv2d函数调用后会自动初始化weight和bias，本文主要涉及
如何自定义weight和bias为需要的数均分布类型:
torch.nn.Conv2d.weight.data以及torch.nn.Conv2d.bias.data为torch.tensor类型，因此只要对这两个属性进行操作即可。
【sample】
以input_channels = 2, output_channels = 1 为例
In [1]: import torch
In [2]: import torch.nn as nn
In [3]: conv = nn.Conv2d(in_channels=2, out_channels=1, kernel_size=3)
# 此时weight以及bias已由nn.Conv2d初始化
conv.weight, conv.bias
Out[4]:
(Parameter containing:
tensor([[[[-0.0335, 0.0855, -0.0708],
[-0.1672, 0.0902, -0.0077],
[-0.0838, -0.1539, -0.0933]],
[[-0.0496, 0.1807, -0.1477],
[ 0.0397, 0.1963, 0.0932],
[-0.2018, -0.0436, 0.1971]]]], requires_grad=True),
Parameter containing:
tensor([-0.1963], requires_grad=True))
# 手动设定
# conv.weight.data 以及 conv.bias.data属性为torch.tensor
# 因此只要获取conv.weight.data以及conv.bias.data属性，后续调用torch.tensor的不同方法即可进行修改
# 例如：全部修改为0
In [5]: conv.weight.data.zero_(), conv.bias.data.zero_()
In [6]: conv.weight, conv.bias
Out[6]:
(Parameter containing:
tensor([[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]]], requires_grad=True),
Parameter containing:
tensor([0.], requires_grad=True))
torch.nn.Conv2d()用法讲解
本文是深度学习框架 pytorch 的API ： torch.nn.Conv2d() 函数的用法。介绍了 torch.nn.Conv2d() 各个参数的含义和用法，学会使用 pytorch 创建 卷积神经网络。
用法
Conv2d(in_channels, out_channels, kernel_size, stride=1,padding=0, dilation=1, groups=1,bias=True, padding_mode=‘zeros')
参数
in_channels：输入的通道数目 【必选】out_channels：输出的通道数目 【必选】kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。【必选】stride：卷积每次滑动的步长为多少，默认是 1 【可选】padding：设置在所有边界增加 值为 0 的边距的大小（也就是在feature map 外围增加几圈 0 ），例如当 padding =1 的时候，如果原来大小为 3 × 3 ，那么之后的大小为 5 × 5 。即在外围加了一圈 0 。【可选】dilation：控制卷积核之间的间距（什么玩意？请看例子）【可选】
如果我们设置的dilation=0的话，效果如图：（蓝色为输入，绿色为输出，卷积核为3 × 3）
如果设置的是dilation=1，那么效果如图：（蓝色为输入，绿色为输出，卷积核仍为 3 × 3 。）
但是这里卷积核点与输入之间距离为1的值相乘来得到输出。
groups：控制输入和输出之间的连接。（不常用）【可选】
举例来说：
比如 groups 为1，那么所有的输入都会连接到所有输出
当 groups 为 2的时候，相当于将输入分为两组，并排放置两层，每层看到一半的输入通道并产生一半的输出通道，并且两者都是串联在一起的。这也是参数字面的意思：“组” 的含义。
需要注意的是，in_channels 和 out_channels 必须都可以整除 groups，否则会报错（因为要分成这么多组啊，除不开你让人家程序怎么办？）
bias： 是否将一个 学习到的 bias 增加输出中，默认是 True 。【可选】padding_mode： 字符串类型，接收的字符串只有 “zeros” 和 “circular”。【可选】
注意：参数 kernel_size，stride，padding，dilation 都可以是一个整数或者是一个元组，一个值的情况将会同时作用于高和宽 两个维度，两个值的元组情况代表分别作用于 高 和 宽 维度。
相关形状
示例
入门学习者请不要过度关注某一些细节，建立一个简单的卷积层使用这个 API 其实很简单，大部分参数保持默认值就好，下面是简单的一个示例，创建一个简单的卷积神经网络：
class CNN(nn.Module):
def __init__(self,in_channels:int,out_channels:int):
"""
创建一个卷积神经网络
网络只有两层
:param in_channels: 输入通道数量
:param out_channels: 输出通道数量
"""
super(CNN).__init__()
self.conv1=nn.Conv2d(in_channels,10,3,stride=1,padding=1)
self.pool1=nn.MaxPool2d(kernel_size=2,stride=1)
self.conv2=nn.Conv2d(10,out_channels,3,stride=1,padding=1)
self.pool2=nn.MaxPool2d(kernel_size=2,stride=1)
def forward(self,x):
"""
前向传播函数
:param x: 输入，tensor 类型
:return: 返回结果
"""
out=self.conv1(x)
out=self.pool1(out)
out=self.conv2(out)
out=self.pool2(out)
return out
总结
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。