在做一些模型分析的时候可能需要将卷积核内的参数定制化(eg:全为1),此时就没办法直接使用模型中定义好的卷积了,需要将其数据给修改下方能使用,但是其输入输出通道以及卷积核大小需要留用,在此就可以单独的将 卷积的 weight/bias 进行从新赋值即可:
⚠️注意
在给 conv.weight/bais.data 赋值的时候,其类型必须是 Tensor
维度必须符合卷积核的尺寸,即
conv.weight : dim=(out_dim, in_dim , kerneal_size[0], kerneal_size[1])
conv.bias : dim=(out_dim). Default: bias=True
conv = torch.nn.Conv2d(1, 1, (3, 3), stride=2, padding=1, bias=True)
conv.weight.data = torch.Tensor([[[[1, 1, 1],
[1, 1, 0],
[0, 1, 1]]]])
conv.bias.data = torch.Tensor([[[1]]])
a = torch.Tensor([[[[1, 0, 0, 1, 2],
[0, 2, 0, 0, 0],
[1, 1, 0, 1, 0],
[1, 0, 2, 2, 2],
[1, 0, 0, 2, 0]]]])
print(conv(a))
# 输出结果:
tensor([[[[3., 0., 3.],
[4., 7., 3.],
[2., 4., 6.]]]], grad_fn=<ThnnConv2DBackward>)
参考链接:https://zhuanlan.zhihu.com/p/405242579