pytorch自定义高斯卷积核进行卷积

pytorch支持自定义卷积核进行卷积操作，使用

torch.nn.functional.conv2d

下面是我用到的自定义高斯卷积核的代码：

class SA_net(nn.Module):
    def __init__(self):
        super(SA_net, self).__init__()
        kernel =get_kernel(kernlen=5,nsig=3) #获得高斯卷积核
        kernel = torch.FloatTensor(kernel).unsqueeze(0).unsqueeze(0)   #扩展两个维度
        self.weight = nn.Parameter(data=kernel, requires_grad=False)
        self.BN=nn.BatchNorm2d(num_features=1)
 
    def forward(self, x1,x2):   #x1是用来计算attention的，x2是用来计算的Cs
        x1_attention = F.conv2d(x1, self.weight, padding=2)    #bs,i_c,H1,W1---->bs,1,H1,W1
        x1_attention=self.BN(x1_attention)   #bs,1,H1,W1
        x_max=torch.max(x1_attention,x1)     #bs,1,H1,W1
        x_out=x_max*x2    #bs,1,H,W *bs,i_c,H1,W1 =bs,i_c,H_max,W_max (H1和H2取较大的那个)

        return x_out


def get_kernel(kernlen=16, nsig=3):     # nsig 标准差 ，kernlen=16核尺寸      
    interval = (2*nsig+1.)/kernlen      #计算间隔 
    x = np.linspace(-nsig-interval/2., nsig+interval/2., kernlen+1)   #在前两者之间均匀产生数据

                                          #高斯函数其实就是正态分布的密度函数
    kern1d = np.diff(st.norm.cdf(x))      #先积分在求导是为啥？得到一个维度上的高斯函数值
    '''st.norm.cdf(x):计算正态分布累计分布函数指定点的函数值
        累计分布函数：概率分布函数的积分'''
    kernel_raw = np.sqrt(np.outer(kern1d, kern1d))   #np.outer计算外积，再开平方，从1维高斯参数到2维高斯参数
    kernel = kernel_raw/kernel_raw.sum()             #确保均值为1
    return kernel