在TensorFlow中使用输入作为卷积滤波器

我习惯于在Tensorflow中使用习得的过滤器，应用于输入数据（或前一层的输出）

nn.conv2d

的输入形状是

[h，w，in\u channels，out\u channels]

，如果我的数据是

[？，n1，n2,1]

（第一维度是小批量大小），那么我会使用

形状作为
conv2d
[h，w，1，m]
其中
m
是我想学习的过滤器数量

但是有可能将输入本身用作过滤器吗？也就是说，我不想为minibatch的每个片段学习相同的过滤器，而是想为每个片段使用不同的过滤器——一个直接从输入派生的过滤器，我不学习

例如，如果我的输入数据由两部分组成，它们都是2D，我的minibatch为5，例如。
D1=[[1,2]、[3,4]、[5,6]、[7,8]、[9,0]。

D1=[[0,1]，[2,0]，[3,2]，[8,1]，[0,0]]

然后，我想执行
[1,2]
与
[0,1]
的卷积，以及
[3,4]
与
[2,0]
的卷积等（在我的例子中，尺寸是合适的，这只是一个演示）

是否可以使用
nn.conv2d
执行此操作？如果没有，是否可以使用
扫描
或任何其他方式

谢谢。
在您的例子中，您所说的“从输入导出的带滤波器的卷积”基本上是元素级乘法，然后是一个reduce操作。例如，您可以执行以下操作：

sess = tf.InteractiveSession()
D1 = tf.constant([ [1,2] , [3,4] , [5,6] , [7,8] , [9,0] ])
D2 = tf.constant([ [0,1] , [2,0] , [3,2] , [8,1] , [0,0] ])

# Element-wise multiply D1 and D2, then reduce along dimension 1
result = tf.reduce_sum(D1 * D2, reduction_indices=[1])

print(result.eval())
# prints [ 2  6 27 64  0]

在您的例子中，您所谓的“从输入导出的带过滤器的卷积”基本上是元素级乘法，然后是一个reduce操作。例如，您可以执行以下操作：

sess = tf.InteractiveSession()
D1 = tf.constant([ [1,2] , [3,4] , [5,6] , [7,8] , [9,0] ])
D2 = tf.constant([ [0,1] , [2,0] , [3,2] , [8,1] , [0,0] ])

# Element-wise multiply D1 and D2, then reduce along dimension 1
result = tf.reduce_sum(D1 * D2, reduction_indices=[1])

print(result.eval())
# prints [ 2  6 27 64  0]

这只是一个例子-在我的例子中，我确实有矩阵，我需要执行卷积。请指定要卷积的两个操作数的形状。大小可以更改。卷积是在一个m x n矩阵和一个k x n滤波器上执行的（kIt只是一个例子-在我的例子中，我确实有矩阵，我需要执行卷积。请指定要卷积的两个操作数的形状。大小可以更改。卷积是在一个m x n矩阵和一个k x n滤波器（k）上执行的