Pytorch中自定义神经网络卷积核权重

简介:

Pytorch中自定义神经网络卷积核权重

  1. 自定义神经网络卷积核权重

神经网络被深度学习者深深喜爱,究其原因之一是神经网络的便利性,使用者只需要根据自己的需求像搭积木一样搭建神经网络框架即可,搭建过程中我们只需要考虑卷积核的尺寸,输入输出通道数,卷积方式等等。

我们使用惯了自带的参数后,当我们要自定义卷积核参数时,突然有种无从下手的感觉,哈哈哈哈哈哈哈哈~~,请允许我开心下,嘿嘿!因为笔者在初入神经网络时也遇到了同样的问题,当时踩了太多坑了,宝宝想哭(灬ꈍ ꈍ灬)!让我悲伤的是,找遍了各个资源区,也没有找到大家的分享。因此,我想把我的方法写出来,希望能帮助到各位宝宝,开心(^▽^)。

话不多说,正文开始......

  1. 定义卷积核权重

我这里是自定义的dtt系数卷积核权重,直接上权重代码:

2.1 dtt系数权重Code
def dtt_matrix(n): 这个函数是nn的DTT系数矩阵,笔者的是88的系数矩阵。

def dtt_kernel(out_channels, in_channels, kernel_size): 这个方法是设定权重,权重需要包括4个参数(输出通道数,输入通道数,卷积核高,卷积核宽),这里有很多细节要注意,宝宝们要亲自躺下坑,才能映像深刻也,我就不深究了哈,(#^.^#)。

import numpy as np
import torch
import torch.nn as nn

================================

DTT coefficient matrix of n * n

================================

def dtt_matrix(n):

dtt_coe = np.zeros([n, n], dtype='float32')
for i in range(0, n):
    dtt_coe[0, i] = 1/np.sqrt(n)
    dtt_coe[1, i] = (2*i + 1 - n)*np.sqrt(3/(n*(np.power(n, 2) - 1)))
for i in range(1, n-1):
    dtt_coe[i+1, 0] = -np.sqrt((n-i-1)/(n+i+1)) * np.sqrt((2*(i+1)+1)/(2*(i+1)-1)) * dtt_coe[i, 0]
    dtt_coe[i+1, 1] = (1 + (i+1)*(i+2)/(1-n)) * dtt_coe[i+1, 0]
    dtt_coe[i+1, n-1] = np.power(-1, i+1) * dtt_coe[i+1, 0]
    dtt_coe[i+1, n-2] = np.power(-1, i+1) * dtt_coe[i+1, 1]
    for j in range(2, int(n/2)):
        t1 = (-(i+1) * (i+2) - (2*j-1) * (j-n-1) - j)/(j*(n-j))
        t2 = ((j-1) * (j-n-1))/(j * (n-j))
        dtt_coe[i+1, j] = t1 * dtt_coe[i+1, j-1] + t2 * dtt_coe[i+1, j-2]
        dtt_coe[i+1, n-j-1] = np.power(-1, i-1) * dtt_coe[i+1, j]
return dtt_coe

===============================================================

DTT coefficient matrix of (out_channels in_channels n * n)

===============================================================

def dtt_kernel(out_channels, in_channels, kernel_size):

dtt_coe = dtt_matrix(kernel_size)
dtt_coe = np.array(dtt_coe)

dtt_weight = np.zeros([out_channels, in_channels, kernel_size, kernel_size], dtype='float32')
temp = np.zeros([out_channels, in_channels, kernel_size, kernel_size], dtype='float32')

order = 0
for i in range(0, kernel_size):
    for j in range(0, kernel_size):
        dtt_row = dtt_coe[i, :]
        dtt_col = dtt_coe[:, j]
        dtt_row = dtt_row.reshape(len(dtt_row), 1)
        dtt_col = dtt_col.reshape(1, len(dtt_col))
        # print("dtt_row: ", dtt_row)
        # print("dtt_col: ", dtt_col)
        # print("i:", i, "j: ", j)
        temp[order, 0, :, :] = np.dot(dtt_row, dtt_col)
        order = order + 1
for i in range(0, in_channels):
    for j in range(0, out_channels):
        # dtt_weight[j, i, :, :] = flip_180(temp[j, 0, :, :])
        dtt_weight[j, i, :, :] = temp[j, 0, :, :]
return torch.tensor(dtt_weight)


2.2 'same'方式卷积
如果宝宝需要保持卷积前后的数据尺寸保持不变,即'same'方式卷积,那么你直接使用我这个卷积核(提一下哟,这个我也是借自某位前辈的,我当时没备注哇,先在这里感谢那位前辈,前辈如果路过,还请留言小生哈,(#^.^#))。

import torch.utils.data
from torch.nn import functional as F
import math
import torch
from torch.nn.parameter import Parameter
from torch.nn.functional import pad
from torch.nn.modules import Module
from torch.nn.modules.utils import _single, _pair, _triple

class _ConvNd(Module):

def __init__(self, in_channels, out_channels, kernel_size, stride,
             padding, dilation, transposed, output_padding, groups, bias):
    super(_ConvNd, self).__init__()
    if in_channels % groups != 0:
        raise ValueError('in_channels must be divisible by groups')
    if out_channels % groups != 0:
        raise ValueError('out_channels must be divisible by groups')
    self.in_channels = in_channels
    self.out_channels = out_channels
    self.kernel_size = kernel_size
    self.stride = stride
    self.padding = padding
    self.dilation = dilation
    self.transposed = transposed
    self.output_padding = output_padding
    self.groups = groups
    if transposed:
        self.weight = Parameter(torch.Tensor(
            in_channels, out_channels // groups, *kernel_size))
    else:
        self.weight = Parameter(torch.Tensor(
            out_channels, in_channels // groups, *kernel_size))
    if bias:
        self.bias = Parameter(torch.Tensor(out_channels))
    else:
        self.register_parameter('bias', None)
    self.reset_parameters()

def reset_parameters(self):
    n = self.in_channels
    for k in self.kernel_size:
        n *= k
    stdv = 1. / math.sqrt(n)
    self.weight.data.uniform_(-stdv, stdv)
    if self.bias is not None:
        self.bias.data.uniform_(-stdv, stdv)

def __repr__(self):
    s = ('{name}({in_channels}, {out_channels}, kernel_size={kernel_size}'
         ', stride={stride}')
    if self.padding != (0,) * len(self.padding):
        s += ', padding={padding}'
    if self.dilation != (1,) * len(self.dilation):
        s += ', dilation={dilation}'
    if self.output_padding != (0,) * len(self.output_padding):
        s += ', output_padding={output_padding}'
    if self.groups != 1:
        s += ', groups={groups}'
    if self.bias is None:
        s += ', bias=False'
    s += ')'
    return s.format(name=self.__class__.__name__, **self.__dict__)

class Conv2d(_ConvNd):

def __init__(self, in_channels, out_channels, kernel_size, stride=1,
             padding=0, dilation=1, groups=1, bias=True):
    kernel_size = _pair(kernel_size)
    stride = _pair(stride)
    padding = _pair(padding)
    dilation = _pair(dilation)
    super(Conv2d, self).__init__(
        in_channels, out_channels, kernel_size, stride, padding, dilation,
        False, _pair(0), groups, bias)
def forward(self, input):
    return conv2d_same_padding(input, self.weight, self.bias, self.stride,
                    self.padding, self.dilation, self.groups)

custom con2d, because pytorch don't have "padding='same'" option.

def conv2d_same_padding(input, weight, bias=None, stride=1, padding=1, dilation=1, groups=1):

input_rows = input.size(2)
filter_rows = weight.size(2)
effective_filter_size_rows = (filter_rows - 1) * dilation[0] + 1
out_rows = (input_rows + stride[0] - 1) // stride[0]

input_cols = input.size(3)
filter_cols = weight.size(3)
effective_filter_size_cols = (filter_cols - 1) * dilation[1] + 1
out_cols = (input_cols + stride[1] - 1) // stride[1]

padding_needed = max(0, (out_rows - 1) * stride[0] + effective_filter_size_rows -input_rows)
padding_rows = max(0, (out_rows - 1) * stride[0] +
                    (filter_rows - 1) * dilation[0] + 1 - input_rows)
rows_odd = (padding_rows % 2 != 0)
padding_cols = max(0, (out_cols - 1) * stride[1] +
                   (filter_cols - 1) * dilation[1] + 1 - input_cols)
cols_odd = (padding_cols % 2 != 0)
if rows_odd or cols_odd:
    input = pad(input, [0, int(cols_odd), 0, int(rows_odd)])
return F.conv2d(input, weight, bias, stride,
              padding=(padding_rows // 2, padding_cols // 2),
              dilation=dilation, groups=groups)


 2.3 将权重赋给卷积核
此处才是宝宝们最关心的吧,不慌,这就来了哈,开心(^▽^),进入正文了(#^.^#)。

这里给了一个简单的网络模型(一个固定卷积+3个全连接,全连接是11的Conv2d),代码里我给了注释,宝宝们应该能秒懂滴,(^▽^*)!

import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
import dtt_kernel
import util
import paddingSame

定义权重

dtt_weight1 = dtt_kernel.dtt_kernel(64, 2, 8)

class DttNet(nn.Module):

def __init__(self):
    super(DttNet, self).__init__()
    self.conv1 = paddingSame.Conv2d(2, 64, 8)

     # 将权重赋给卷积核

    self.conv1.weight = nn.Parameter(dtt_weight1, requires_grad=False)

    self.fc1 = util.fc(64, 512, 1)
    self.fc2 = util.fc(512, 128, 1)
    self.fc3 = util.fc(128, 2, 1, last=True)

def forward(self, x):
    x = self.conv1(x)
    x = self.fc1(x)
    x = self.fc2(x)
    x = self.fc3(x)
    return x


 2.4 补充我的util类

import torch.nn as nn

def conv(in_channels, out_channels, kernel_size, stride=1, dilation=1, batch_norm=True):

if batch_norm:
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, stride=stride, padding=(kernel_size // 2)),
        nn.BatchNorm2d(out_channels),
        nn.ReLU()
    )
else:
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, stride=stride, padding=(kernel_size // 2)),
        nn.ReLU()
    )

def fc(in_channels, out_channels, kernel_size, stride=1, bias=True, last=False):

if last:
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, stride=stride, padding=(kernel_size // 2)),
    )
else:
    return nn.Sequential(
        nn.Conv2d(in_channels, out_channels, kernel_size, stride=stride, padding=(kernel_size // 2)),
        nn.BatchNorm2d(out_channels),
        nn.ReLU()
    )




  1. 总结

哇哦,写完了耶,不晓得宝宝们有没得收获呢,o((⊙﹏⊙))o,o((⊙﹏⊙))o。大家不懂的可以再下面留言哟,我会时常关注我家的园子呢。若有不足之处,宝宝们也在留言区吱我一下哟,我们下次再见,┏(^0^)┛┏(^0^)┛。

相关文章
|
2月前
|
机器学习/深度学习 存储 PyTorch
PyTorch自定义学习率调度器实现指南
本文将详细介绍如何通过扩展PyTorch的 ``` LRScheduler ``` 类来实现一个具有预热阶段的余弦衰减调度器。我们将分五个关键步骤来完成这个过程。
59 2
|
3月前
|
机器学习/深度学习 PyTorch 算法框架/工具
PyTorch 中的动态计算图:实现灵活的神经网络架构
【8月更文第27天】PyTorch 是一款流行的深度学习框架,它以其灵活性和易用性而闻名。与 TensorFlow 等其他框架相比,PyTorch 最大的特点之一是支持动态计算图。这意味着开发者可以在运行时定义网络结构,这为构建复杂的模型提供了极大的便利。本文将深入探讨 PyTorch 中动态计算图的工作原理,并通过一些示例代码展示如何利用这一特性来构建灵活的神经网络架构。
208 1
|
3月前
|
移动开发 TensorFlow 算法框架/工具
只保存和加载网络权重
【8月更文挑战第21天】只保存和加载网络权重。
32 2
|
2月前
|
并行计算 PyTorch 算法框架/工具
基于CUDA12.1+CUDNN8.9+PYTORCH2.3.1,实现自定义数据集训练
文章介绍了如何在CUDA 12.1、CUDNN 8.9和PyTorch 2.3.1环境下实现自定义数据集的训练,包括环境配置、预览结果和核心步骤,以及遇到问题的解决方法和参考链接。
基于CUDA12.1+CUDNN8.9+PYTORCH2.3.1,实现自定义数据集训练
|
14天前
|
Docker 容器
docker中创建自定义网络
【10月更文挑战第7天】
18 6
|
19天前
|
安全 NoSQL Redis
Docker自定义网络
Docker自定义网络
28 11
|
16天前
|
Docker 容器
docker中自定义网络
【10月更文挑战第5天】
12 3
|
3月前
|
机器学习/深度学习 人工智能 PyTorch
【深度学习】使用PyTorch构建神经网络:深度学习实战指南
PyTorch是一个开源的Python机器学习库,特别专注于深度学习领域。它由Facebook的AI研究团队开发并维护,因其灵活的架构、动态计算图以及在科研和工业界的广泛支持而受到青睐。PyTorch提供了强大的GPU加速能力,使得在处理大规模数据集和复杂模型时效率极高。
185 59
|
2月前
|
Shell Linux Docker
自定义Docker网络
这篇文章介绍了如何使用Docker命令自定义网络,并通过创建和配置网络来实现容器间的通信。
34 6
自定义Docker网络
|
14天前
|
机器学习/深度学习 数据可视化 Linux
Seaborn可视化学习笔记(一):可视化神经网络权重分布情况
这篇文章是关于如何使用Seaborn库来可视化神经网络权重分布的教程,包括函数信息、测试代码和实际应用示例。
25 0