Jsem opravdu nový pytorch, a já jsem byl dělat kódu konvoluční sám.
Aplikovat konvoluční na vstupní data, používám conv2d.
V dokumentaci,
torch.nn.Conv2d(in_channels, out_channels, kernel_size ...)
Ale kde je filtr? Chcete-li zavinutý, měli bychom to udělat na vstupní data s jádrem. Ale je tam jen kernel velikost, prvky jádra.
Například, Tam jsou vstupní data, 5x5 a s 2x2 jádra s všechny 4 jádra prvků jsou 1 pak můžu udělat 4x4 výstup. Takže, kde mohu dát prvky jádra?
Filtr závaží lze přistupovat pomocí weight parametr Conv2d objekt. Například,
>>> c = torch.nn.Conv2d(in_channels=2, out_channels=2, kernel_size=3)
>>> c.weight
Parameter containing:
tensor([[[[ 0.2156, 0.0930, -0.2319],
[ 0.1333, -0.0846, 0.1848],
[ 0.0765, -0.1799, -0.1273]],
[[ 0.1173, 0.1650, -0.0876],
[-0.1353, 0.0616, -0.1136],
[-0.2326, -0.1509, 0.0651]]],
[[[-0.2026, 0.2210, 0.0409],
[-0.0818, 0.0793, 0.1074],
[-0.1430, -0.0118, -0.2100]],
[[-0.2025, -0.0508, -0.1731],
[ 0.0217, -0.1616, 0.0702],
[ 0.1903, -0.1864, 0.1523]]]], requires_grad=True)
Váhy jsou inicializována ve výchozím nastavení tím, že odběr vzorků z rovnoměrného rozdělení. Můžete také inicializovat váhy pomocí různých váha inicializace režimů.
Pokud chcete ručně změnit závaží, můžete to udělat úpravou weight parametr přímo. Například pro nastavení všech vah 1, použití,
>>> c.weight.data = torch.ones_like(c.weight)
>>> c.weight
Parameter containing:
tensor([[[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]],
[[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]]], requires_grad=True)
Všimněte si, že během tréninku, konvoluční vrstvy jsou typicky součástí výpočetní graf, a jejich váhy se automaticky aktualizuje při backward() volání.
in_channels=2 a out_channels=2. Každý vstupní kanál je convolved pro každý výstupní kanál ve výchozím nastavení. Řídit toto chování, můžete změnit groups argument Conv2d. (Některé odkazy: stackoverflow.com/q/46536971/5987698, pytorch.org/docs/stable/generated/torch.nn.Conv2d.html). Můžete použít funkční conv2d funkce, která trvá další tenzor filtrů (jako argument weights).
Na nn.Conv2d vrstva spoléhá na tuto operaci, ale zpracovává učení filtry/závaží automaticky, což je obecně výhodnější