10

我有一个试图在 pytorch 中实现的网络，但我似乎无法弄清楚如何实现“纯”卷积。在 tensorflow 中可以这样完成：

def conv2d_flipkernel(x, k, name=None):
    return tf.nn.conv2d(x, flipkernel(k), name=name,
                        strides=(1, 1, 1, 1), padding='SAME')

flipkernel功能是：

def flipkernel(kern):
      return kern[(slice(None, None, -1),) * 2 + (slice(None), slice(None))]

如何在 pytorch 中完成类似的操作？

4

2 回答 2

18

TLDR使用功能工具箱中的卷积，torch.nn.fuctional.conv2d， not torch.nn.Conv2d，并围绕垂直和水平轴翻转过滤器。

torch.nn.Conv2d是网络的卷积层。因为权重是学习的，所以是否使用互相关来实现并不重要，因为网络只会学习内核的镜像版本（感谢@etarion 的澄清）。

torch.nn.fuctional.conv2d使用作为参数提供的输入和权重执行卷积，类似于示例中的 tensorflow 函数。我写了一个简单的测试来确定它是否像 tensorflow 函数一样，实际上是在执行互相关，是否有必要翻转滤波器以获得正确的卷积结果。

import torch
import torch.nn.functional as F
import torch.autograd as autograd
import numpy as np

#A vertical edge detection filter. 
#Because this filter is not symmetric, for correct convolution the filter must be flipped before element-wise multiplication
filters = autograd.Variable(torch.FloatTensor([[[[-1, 1]]]]))

#A test image of a square
inputs = autograd.Variable(torch.FloatTensor([[[[0,0,0,0,0,0,0], [0, 0, 1, 1, 1, 0, 0], 
                                             [0, 0, 1, 1, 1, 0, 0], [0, 0, 1, 1, 1, 0, 0],
                                            [0,0,0,0,0,0,0]]]]))
print(F.conv2d(inputs, filters))

这输出

Variable containing:
(0 ,0 ,.,.) = 
  0  0  0  0  0  0
  0  1  0  0 -1  0
  0  1  0  0 -1  0
  0  1  0  0 -1  0
  0  0  0  0  0  0
[torch.FloatTensor of size 1x1x5x6]

该输出是互相关的结果。因此，我们需要翻转过滤器

def flip_tensor(t):
    flipped = t.numpy().copy()

    for i in range(len(filters.size())):
        flipped = np.flip(flipped,i) #Reverse given tensor on dimention i
    return torch.from_numpy(flipped.copy())

print(F.conv2d(inputs, autograd.Variable(flip_tensor(filters.data))))

新输出是卷积的正确结果。

Variable containing:
(0 ,0 ,.,.) = 
  0  0  0  0  0  0
  0 -1  0  0  1  0
  0 -1  0  0  1  0
  0 -1  0  0  1  0
  0  0  0  0  0  0
[torch.FloatTensor of size 1x1x5x6]
于 2017-06-06T20:40:06.947 回答
2

与上面的答案没有什么不同，但torch可以在flip(i)本地做（我猜你只想flip(2)和flip(3)）：

def convolution(A, B):
  return F.conv2d(A, B.flip(2).flip(3), padding=padding)
于 2020-05-05T19:32:07.807 回答