Neural network 在Pytork中执行卷积（非互相关）

我知道我正试图在pytorch中实现，但我似乎不知道如何实现“纯”卷积。在tensorflow中，可以这样完成：

def conv2d_flipkernel(x, k, name=None):
    return tf.nn.conv2d(x, flipkernel(k), name=name,
                        strides=(1, 1, 1, 1), padding='SAME')

flipkernel

函数为：

def flipkernel(kern):
      return kern[(slice(None, None, -1),) * 2 + (slice(None), slice(None))]

---

如何在Pytork中完成类似的操作？

TLDR使用功能工具箱中的卷积，而不是，并围绕垂直轴和水平轴翻转过滤器

---

Conv2d是网络的卷积层。因为权重是学习的，所以它是否使用互相关实现并不重要，因为网络将只学习内核的镜像版本（感谢@etarion的澄清）

torch.nn.fuctional.conv2d

使用作为参数提供的输入和权重执行卷积，类似于示例中的tensorflow函数。我写了一个简单的测试来确定它是否像tensorflow函数一样，实际执行了互相关，并且有必要翻转滤波器以获得正确的卷积结果

导入火炬
导入torch.nn.功能为F
导入torch.autograd作为autograd
将numpy作为np导入
#垂直边缘检测滤波器。
#因为这个滤波器不是对称的，为了得到正确的卷积，必须在元素相乘之前翻转滤波器
filters=autograd.Variable（torch.FloatTensor（[-1,1]]]））
#正方形的测试图像
输入=自动加载变量（火炬浮动张量（[[0,0,0,0,0,0,0,0]，[0,0,1,1,1,0,0]，
[0, 0, 1, 1, 1, 0, 0], [0, 0, 1, 1, 1, 0, 0],
[0,0,0,0,0,0,0]]]]))
打印（F.conv2d（输入、过滤器））

这个输出

变量包含：
(0 ,0 ,.,.) = 
0  0  0  0  0  0
0  1  0  0 -1  0
0  1  0  0 -1  0
0  1  0  0 -1  0
0  0  0  0  0  0
[torch.FLOTTENSOR，尺寸1x1x5x6]

此输出是互相关的结果。因此，我们需要翻转过滤器

def翻转张量（t）：
翻转=t.numpy（）.copy（）
对于范围内的i（len（filters.size（））：
翻转=np.翻转（翻转，i）#反转维度i上的给定张量
从\u numpy返回火炬（翻转的.copy（））
打印（F.conv2d（输入，自动加载变量（翻转张量（过滤器.数据）））

新输出是卷积的正确结果

变量包含：
(0 ,0 ,.,.) = 
0  0  0  0  0  0
0 -1  0  0  1  0
0 -1  0  0  1  0
0 -1  0  0  1  0
0  0  0  0  0  0
[torch.FLOTTENSOR，尺寸1x1x5x6]

与上面的答案没有太大的不同，但是

火炬

可以做

翻转（i）

（我猜你只想

翻转（2）

和

翻转（3）

）：

---

OP要求卷积而不是互相关。我确信，他们知道，学习权重将导致相同的结果。然而，如果你想通过从另一种语言移植复制一个网络，并使用固定权重检查等效性，那么你可能会发现自己处于OPs的情况下，有一个确切的问题——特别是考虑到pytorch没有实现

[：：-1]

还没有。

torch.nn.conv2d

现在在CamelCase中是

torch.nn.conv2d

，表示一个类。

def convolution(A, B):
  return F.conv2d(A, B.flip(2).flip(3), padding=padding)