Deep learning Pytork中是否存在多对多卷积？这是一件事吗？

我最近一直在考虑卷积。有常见的3by3 conv，其中（3,3）内核信息被加权和聚合，以向输出上的单个空间点提供信息。还有3×3 upconv，其中输入上的单个空间点向3×3输出空间提供加权信息

conv是多对一关系，upconv是一对多关系

然而，我从来没有听说过多对多conv？有这样的事吗？例如，一个3by3内核向另一个3by3内核提供信息。我想在PyTorch中进行试验。我的网络搜索没有透露任何信息。

你可以组合并平均得到你想要的。
例如，如果您想要3x3->3x3映射，将

in\u通道

映射到

out\u通道

：

来自火炬导入nn的

导入torch.nn。功能为nnf
类ManyToManyConv2d（nn.模块）：
def_uuuinit_uuu（输入通道、输出通道、输入内核、输出内核）：
self.out\u内核=out\u内核
self.conv=nn.Conv2d（输入通道、输出通道*输出内核*输出内核、输入内核）
def前进（自身，x）：
y=self.conv（x）#所有输出内核都“折叠”到通道dim中
y=nnf.pixel_shuffle（y，self.out_内核）#“展开”out_内核-图像大小*out_内核更大
y=nnf.avg\u pool2d（y，self.out\u内核）
返回y

您可以组合并平均得到您想要的。
例如，如果您想要3x3->3x3映射，将

in\u通道

映射到

out\u通道

：

来自火炬导入nn的

导入torch.nn。功能为nnf
类ManyToManyConv2d（nn.模块）：
def_uuuinit_uuu（输入通道、输出通道、输入内核、输出内核）：
self.out\u内核=out\u内核
self.conv=nn.Conv2d（输入通道、输出通道*输出内核*输出内核、输入内核）
def前进（自身，x）：
y=self.conv（x）#所有输出内核都“折叠”到通道dim中
y=nnf.pixel_shuffle（y，self.out_内核）#“展开”out_内核-图像大小*out_内核更大
y=nnf.avg\u pool2d（y，self.out\u内核）
返回y