如何在 PyTorch 中自定义卷积核参数（亲测，已解决）

先说一下整体 流程

1.设置环境和导入库

首先，我们需要确保安装了 PyTorch，并导入必要的库 

 导入 PyTorch 和其他必备的库

import torch
import torch.nn as nn
import torch.nn.functional as F

导入 PyTorch 库以及神经网络模块 nn 和函数模块 F。

2.创建一个自定义的卷积层

接下来，我们将定义一个自定义卷积层，继承自nn.Module

#自定义卷积层
class CustomCovlayer(nn.Module):
    def __init__(self,in_channels, out_channels, kernel_size):
        super(CustomCovlayer,self).__init__()
        #初始化卷积层
        self.conv = nn.Conv2d(in_channels,out_channels,kernel_size)
    def forward(self,x):
        # 前向传播
        return self.conv(x)

这里我们创建了一个名为 CustomconvLayer 的卷积层。init方法中创建一个 Conv2d 对象，forward 方法定义了输入数据如何通过卷积层。

3.手动初始化卷积核参数

现在需要手动设置卷积核的参数。

并组成完整网络

#自定义卷积层
class CustomCovlayer(nn.Module):
    def __init__(self,in_channels, out_channels, kernel_size):
        super(CustomCovlayer,self).__init__()
        #初始化卷积层
        self.conv = nn.Conv2d(in_channels,out_channels,kernel_size)
        # 在初始化方法中，调用自定义初始化函数
        self.init_weights()
    def forward(self,x):
        # 前向传播
        return self.conv(x)
    def init_weights(self):
        # 初始化卷积核为自定义值
        with torch.no_grad():
            self.conv.weight = nn.Parameter(torch.tensor([[[[1.0,0.0,-1.0],
                                                           [1.0,0.0,-1.0],
                                                           [1.0,0.0,-1.0]
                                                            ]]]))
    def forward(self,x):
        # 前向传播
        return self.conv(x)

5.测试自定义卷积层
创建一些假的图像数据来测试自定义卷积层。

conv_layer = CustomConvlayer(in_channels=1,out_channels=1,kernel_size=1)

#创建数据，形状为（batch_size,channels, height,width）
input_data = torch.tensor([[[[1.0,2.0,3.0],
                             [0.0,1.0,0.0],
                             [1.0,2.0,3.0]]]])
# 前向传播测试
output = conv_layer(input_data)

#打印输出
print(output)

输出结果：

欢迎点赞   收藏   加 关注