pytorch 自定义核进行卷积操作

1.介绍

    高斯滤波的用处很多，也有很多现成的包可以被调用，比如opencv里面的cv2.GaussianBlur，一般情况，我们是没必要去造轮子，除非遇到特殊情况，比如我们在使用pytorch的过程中，需要自定义高斯核进行卷积操作，假设，我们要用的高斯核的参数是以下数目：

0.00655965	0.01330373	0.00655965	0.00078633	0.00002292
0.00655965	0.05472157	0.11098164	0.05472157	0.00655965
0.01330373	0.11098164	0.22508352	0.11098164	0.01330373
0.00655965	0.05472157	0.11098164	0.05472157	0.00655965
0.00078633	0.00655965	0.01330373	0.00655965	0.00078633

    在使用pytorch过程中，常用的卷积函数是：

class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
 
 

    感觉是无法自定义卷积权重，那么我们就此放弃吗？肯定不是，当你再仔细看看pytorch的说明书之后，会发现一个好东西：

torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1)
 
 

    里面的weight参数刚好可以用高斯核参数来填充。

 

2.代码

 
 

   
   

    
    

   
   
   
   

    
    

     
     import torch
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     import torch.nn 
     
     as nn
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     import torch.nn.functional 
     
     as F
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     from torch.autograd 
     
     import Variable
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     import numpy 
     
     as np
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     import cv2
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     class GaussianBlurConv(nn.Module):
    
    
   
   

   
   

    
    

   
   
   
   

    
    
    
     
     def __init__(self, channels=3):
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             super(GaussianBlurConv, self).__init__()
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             self.channels = channels
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             kernel = [[
     
     0.00078633, 
     
     0.00655965, 
     
     0.01330373, 
     
     0.00655965, 
     
     0.00078633],
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
                       [
     
     0.00655965, 
     
     0.05472157, 
     
     0.11098164, 
     
     0.05472157, 
     
     0.00655965],
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
                       [
     
     0.01330373, 
     
     0.11098164, 
     
     0.22508352, 
     
     0.11098164, 
     
     0.01330373],
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
                       [
     
     0.00655965, 
     
     0.05472157, 
     
     0.11098164, 
     
     0.05472157, 
     
     0.00655965],
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
                       [
     
     0.00078633, 
     
     0.00655965, 
     
     0.01330373, 
     
     0.00655965, 
     
     0.00078633]]
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             kernel = torch.FloatTensor(kernel).unsqueeze(
     
     0).unsqueeze(
     
     0)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             kernel = np.repeat(kernel, self.channels, axis=
     
     0)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             self.weight = nn.Parameter(data=kernel, requires_grad=
     
     False)
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    
    
     
     def __call__(self, x):
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
             x = F.conv2d(x.unsqueeze(
     
     0), self.weight, padding=
     
     2, groups=self.channels)
    
    
   
   

   
   

    
    

   
   
   
   

    
    
        
     
     return x
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     input_x = cv2.imread(
     
     "kodim04.png")
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     cv2.imshow(
     
     "input_x", input_x)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     input_x = Variable(torch.from_numpy(input_x.astype(np.float32))).permute(
     
     2, 
     
     0, 
     
     1)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     gaussian_conv = GaussianBlurConv()
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     out_x = gaussian_conv(input_x)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     out_x = out_x.squeeze(
     
     0).permute(
     
     1, 
     
     2, 
     
     0).data.numpy().astype(np.uint8)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     cv2.imshow(
     
     "out_x", out_x)
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     cv2.waitKey(
     
     0)
    
    
   
   
 
 

    原图：

    输出图：

 

3.扩展应用

    我们知道了怎么自定义高斯核，其它的核都可以照搬，这里就不一一讲述了。