pytorch學(xué)習(xí)經(jīng)驗(三) pytorch自定義卷積核操作

本文的目的是使用自定義的卷積核對圖片進(jìn)行卷積操作。pytorch封裝在torch.nn里的Conv2d非常好用两踏,然而其卷積核的權(quán)重都是需要學(xué)習(xí)的參數(shù),如果想要自定義一個卷積核(比如Gabor核)來提取圖像特征,conv2d就不適用了秸架。目前有兩個解決方案:
方案一 使用opencv
這是我最初采用的方案,使用opencv自帶的getGaborKernel()函數(shù)來得到gabor kernel咆蒿,然后在圖像上運用filter2D()函數(shù)提取gabor特征:

# 得到卷積核
kernel_size = 7
theta = np.pi / 2
lamda = np.pi / 2
kernel = cv2.getGaborKernel((kernel_size, kernel_size), 1.0,\
 theta, lamda, 0.5, 0, ktype=cv2.CV_32F)
# 進(jìn)行濾波
ac = np.zeros_like(im)
gabor_feature = cv2.filter2/d(img, cv2.CV_8UC3, kern)
np.maximum(ac, gabor_feature, gabor_feature)

這里可以多設(shè)幾組參數(shù)东抹,進(jìn)行多次濾波。
方案二 使用pytorch自帶卷積核
opencv雖然強(qiáng)大沃测,但是有兩個問題缭黔。第一,它需要輸入ndarray蒂破,輸出也是ndarray馏谨,在訓(xùn)練中在線生成gabor feature時需要進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換等操作,時間代價很長附迷,而且操作也不方便惧互;第二,如果想要將filter的參數(shù)當(dāng)成可學(xué)習(xí)參數(shù)喇伯,opencv就不能使用了喊儡,除非你還想自己寫一個backward層。所以稻据,我還是使用了pytorch自帶的卷積操作:torch.nn.functional.conv2d()
這個卷積核與nn.Conv2d不同艾猜,它的weight可以自己設(shè)定。好處是捻悯,你既可以把各項參數(shù)寫死在里面箩朴,不讓它求導(dǎo),也可以當(dāng)成可學(xué)習(xí)參數(shù)秋度,反向傳播有pytorch來自動實現(xiàn)炸庞;并且,由于這是pytorch自帶的荚斯,在訓(xùn)練中也不需要我們?nèi)タ紤]batch維度埠居,數(shù)據(jù)格式采用torch tensor,方便得很事期。還有一個好處是滥壕,它可以像普通cnn的卷積核一樣操作,有4個維度兽泣,分別是輸出通道绎橘,輸入通道,卷積核高,卷積核寬称鳞,這樣可以很方便地把自定義的卷積核寫成一個卷積層涮较。具體操作:

import torch.nn.functional as F
import torch

def gabor_fn(kernel_size, channel_in, channel_out, sigma, theta, Lambda, psi, gamma):
    sigma_x = sigma    # [channel_out]
    sigma_y = sigma.float() / gamma     # element-wize division, [channel_out]

    # Bounding box
    nstds = 3 # Number of standard deviation sigma
    xmax = kernel_size // 2
    ymax = kernel_size // 2
    xmin = -xmax
    ymin = -ymax
    ksize = xmax - xmin + 1
    y_0 = torch.arange(ymin, ymax+1)
    y = y_0.view(1, -1).repeat(channel_out, channel_in, ksize, 1).float()
    x_0 = torch.arange(xmin, xmax+1)
    x = x_0.view(-1, 1).repeat(channel_out, channel_in, 1, ksize).float()   # [channel_out, channelin, kernel, kernel]

    # Rotation
    # don't need to expand, use broadcasting, [64, 1, 1, 1] + [64, 3, 7, 7]
    x_theta = x * torch.cos(theta.view(-1, 1, 1, 1)) + y * torch.sin(theta.view(-1, 1, 1, 1))
    y_theta = -x * torch.sin(theta.view(-1, 1, 1, 1)) + y * torch.cos(theta.view(-1, 1, 1, 1))

    # [channel_out, channel_in, kernel, kernel]
    gb = torch.exp(-.5 * (x_theta ** 2 / sigma_x.view(-1, 1, 1, 1) ** 2 + y_theta ** 2 / sigma_y.view(-1, 1, 1, 1) ** 2)) \
         * torch.cos(2 * math.pi / Lambda.view(-1, 1, 1, 1) * x_theta + psi.view(-1, 1, 1, 1))

    return gb


class GaborConv2d(nn.Module):
    def __init__(self, channel_in, channel_out, kernel_size, stride=1, padding=0):
        super(GaborConv2d, self).__init__()
        self.kernel_size = kernel_size
        self.channel_in = channel_in
        self.channel_out = channel_out
        self.stride = stride
        self.padding = padding

        self.Lambda = nn.Parameter(torch.rand(channel_out), requires_grad=True)
        self.theta = nn.Parameter(torch.randn(channel_out) * 1.0, requires_grad=True)
        self.psi = nn.Parameter(torch.randn(channel_out) * 0.02, requires_grad=True)
        self.sigma = nn.Parameter(torch.randn(channel_out) * 1.0, requires_grad=True)
        self.gamma = nn.Parameter(torch.randn(channel_out) * 0.0, requires_grad=True)

        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        theta = self.sigmoid(self.theta) * math.pi * 2.0
        gamma = 1.0 + (self.gamma * 0.5)
        sigma = 0.1 + (self.sigmoid(self.sigma) * 0.4)
        Lambda = 0.001 + (self.sigmoid(self.Lambda) * 0.999)
        psi = self.psi

        kernel = gabor_fn(self.kernel_size, self.channel_in, self.channel_out, sigma, theta, Lambda, psi, gamma)
        kernel = kernel.float()   # [channel_out, channel_in, kernel, kernel]

        out = F.conv2d(x, kernel, stride=self.stride, padding=self.padding)

        return out

我在這里把gabor操作寫成了一個層,即GaborConv2d冈止,可以輸入卷積核大小狂票,輸入及輸出通道,步長以及padding熙暴,跟普通卷積相同闺属。lambda、sigma等參數(shù)是可學(xué)習(xí)的周霉,卷積核權(quán)重是用gabor_fn根據(jù)可學(xué)習(xí)參數(shù)得到的掂器,其大小為[channel_out, channel_in, ksize, ksize]。調(diào)用這個層可以像調(diào)用其他普通卷積一樣俱箱,很容易加到網(wǎng)絡(luò)中唉匾。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市匠楚,隨后出現(xiàn)的幾起案子巍膘,更是在濱河造成了極大的恐慌,老刑警劉巖芋簿,帶你破解...
    沈念sama閱讀 211,884評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件峡懈,死亡現(xiàn)場離奇詭異,居然都是意外死亡与斤,警方通過查閱死者的電腦和手機(jī)肪康,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,347評論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來撩穿,“玉大人磷支,你說我怎么就攤上這事∈彻眩” “怎么了雾狈?”我有些...
    開封第一講書人閱讀 157,435評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長抵皱。 經(jīng)常有香客問我善榛,道長,這世上最難降的妖魔是什么呻畸? 我笑而不...
    開封第一講書人閱讀 56,509評論 1 284
  • 正文 為了忘掉前任移盆,我火速辦了婚禮,結(jié)果婚禮上伤为,老公的妹妹穿的比我還像新娘咒循。我一直安慰自己,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 65,611評論 6 386
  • 文/花漫 我一把揭開白布叙甸。 她就那樣靜靜地躺著颖医,像睡著了一般。 火紅的嫁衣襯著肌膚如雪蚁署。 梳的紋絲不亂的頭發(fā)上便脊,一...
    開封第一講書人閱讀 49,837評論 1 290
  • 那天蚂四,我揣著相機(jī)與錄音光戈,去河邊找鬼。 笑死遂赠,一個胖子當(dāng)著我的面吹牛久妆,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播跷睦,決...
    沈念sama閱讀 38,987評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼筷弦,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了抑诸?” 一聲冷哼從身側(cè)響起烂琴,我...
    開封第一講書人閱讀 37,730評論 0 267
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎蜕乡,沒想到半個月后奸绷,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,194評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡层玲,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,525評論 2 327
  • 正文 我和宋清朗相戀三年号醉,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片辛块。...
    茶點故事閱讀 38,664評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡畔派,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出润绵,到底是詐尸還是另有隱情果覆,我是刑警寧澤克蚂,帶...
    沈念sama閱讀 34,334評論 4 330
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響营罢,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜爽篷,卻給世界環(huán)境...
    茶點故事閱讀 39,944評論 3 313
  • 文/蒙蒙 一周蹭、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧娇澎,春花似錦笨蚁、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,764評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽伪很。三九已至,卻和暖如春奋单,著一層夾襖步出監(jiān)牢的瞬間锉试,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,997評論 1 266
  • 我被黑心中介騙來泰國打工览濒, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留呆盖,地道東北人。 一個月前我還...
    沈念sama閱讀 46,389評論 2 360
  • 正文 我出身青樓贷笛,卻偏偏與公主長得像应又,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子乏苦,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,554評論 2 349

推薦閱讀更多精彩內(nèi)容