如何解析基于Pytorch的动态卷积复现

今天就跟大家聊聊有关如何解析基于Pytorch的动态卷积复现，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。

简单回顾

这里主要是改进传统卷积，让每层的卷积参数在推理的时候也是随着输入可变的，而不是传统卷积中对任何输入都是固定不变的参数。

对于卷积过程中生成的一个特征图 ，先对特征图做几次运算，生成 个和为 的参数 ，然后对 个卷积核参数进行线性求和，这样推理的时候卷积核是随着输入的变化而变化的。(可以看看其他的讲解文章，本文主要理解怎么写代码)

下面是attention代码的简易版本，输出的是[ , ]大小的加权参数。 对应着要被求和的卷积核数量。

class attention2d(nn.Module):
    def __init__(self, in_planes, K,):
        super(attention2d, self).__init__()
        self.avgpool = nn.AdaptiveAvgPool2d(1)
        self.fc1 = nn.Conv2d(in_planes, K, 1,)
        self.fc2 = nn.Conv2d(K, K, 1,)

    def forward(self, x):
        x = self.avgpool(x)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.fc2(x).view(x.size(0), -1)
        return F.softmax(x, 1)

下面是文章中 个卷积核求和的公式。

其中 是输入， 是输出；可以看到 进行了两次运算，一次用于求注意力的参数（用于生成动态的卷积核），一次用于被卷积。

但是，写代码的时候如果直接将 个卷积核求和，会出现问题。接下来我们先回顾一下Pytorch里面的卷积参数，然后描述一下可能会出现的问题，再讲解如何通过分组卷积去解决问题。

Pytorch卷积的实现

我会从维度的视角回顾一下Pytorch里面的卷积的实现（大家也可以手写一下，几个重点：输入维度、输出维度、正常卷积核参数维度、分组卷积维度、动态卷积维度、attention模块输出维度）。

输入：输入数据维度大小为[ , , , ]。

输出：输出维度为[ , , , ]。

卷积核：正常卷积核参数维度为[ , , , ]。（在Pytorch中，2d卷积核参数应该是固定这种维度的）

这里我们可以注意到，正常卷积核参数的维度是不存在 的。因为对于正常的卷积来说，不同的输入数据，使用的是相同的卷积核，卷积核的数量与一次前向运算所输入的 大小无关（相同层的卷积核参数只需要一份）。

可能会出现的问题

这里描述一下实现动态卷积代码的过程中可能因为 大于1而出现的问题。

对于图中attention模块最后softmax输出的 个数，他们的维度为[ , , , ]，可以直接.view成[ , ]，紧接着 作用于 卷积核参数上（形成动态卷积）。

问题所在：正常卷积，一次输入多个数据，他们的卷积核参数是一样的，所以只需要一份网络参数即可；但是对于动态卷积而言，每个输入数据用的都是不同的卷积核，所以需要 份网络参数，不符合Pytorch里面的卷积参数格式，会出错。

看下维度运算[ , ]*[ , , , , ],生成的动态卷积核是[ , , , , ]，不符合Pytorch里面的规定，不能直接参与运算（大家可以按照这个思路写个代码看看，体会一下，光看可能感觉不出来问题），最简单的解决办法就是 等于1，不会出现错误，但是慢啊！！！

总之， 大于1会导致中间卷积核参数不符合规定。

分组卷积以及如何通过分组卷积实现 大于1的动态卷积

一句话描述分组卷积：对于多通道的输入，将他们分成几部分各自进行卷积，结果concate。

组卷积过程用废话描述：对于输入的数据[ , , , ]，假设 为 ，那么分组卷积就是将他分为两个 为 的数据（也可以用其他方法分），那么维度就是[ , 5x2 , , ]，换个维度换下视角，[ , , , ]，那么 为2的组卷积可以看成 的正常卷积。（如果还是有点不了解分组卷积，可以阅读其他文章仔细了解一下。）

巧妙的转换：上面将 翻倍即可将分组卷积转化成正常卷积，那么反向思考一下，将 变为1，是不是可以将正常卷积变成分组卷积？

我们将 大小看成分组卷积中 的数量，令 所在维度直接变为 ！！！直接将输入数据从[ , , , ]变成[1, , , ]，就可以用分组卷积解决问题了！！！

详细描述实现过程：将输入数据的维度看成[1, , , ](分组卷积的节奏)；卷积权重参数初始化为[ , , , , ]，attention模块生成的维度为[ , ],直接进行正常的矩阵乘法[ , ]*[ , * * * ]生成动态卷积的参数，生成的动态卷积权重维度为[ , , , , ]，将其看成分组卷积的权重[ , , , ](过程中包含reshape)。这样的处理就完成了，输入数据[ , , , ]，动态卷积核[ , , , ]，直接是 的分组卷积，问题解决。

具体代码如下：

class Dynamic_conv2d(nn.Module):
    def __init__(self, in_planes, out_planes, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, K=4,):
        super(Dynamic_conv2d, self).__init__()
        assert in_planes%groups==0
        self.in_planes = in_planes
        self.out_planes = out_planes
        self.kernel_size = kernel_size
        self.stride = stride
        self.padding = padding
        self.dilation = dilation
        self.groups = groups
        self.bias = bias
        self.K = K
        self.attention = attention2d(in_planes, K, )

        self.weight = nn.Parameter(torch.Tensor(K, out_planes, in_planes//groups, kernel_size, kernel_size), requires_grad=True)
        if bias:
            self.bias = nn.Parameter(torch.Tensor(K, out_planes))
        else:
            self.bias = None


    def forward(self, x):#将batch视作维度变量，进行组卷积，因为组卷积的权重是不同的，动态卷积的权重也是不同的
        softmax_attention = self.attention(x)
        batch_size, in_planes, height, width = x.size()
        x = x.view(1, -1, height, width)# 变化成一个维度进行组卷积
        weight = self.weight.view(self.K, -1)

        # 动态卷积的权重的生成， 生成的是batch_size个卷积参数（每个参数不同）
        aggregate_weight = torch.mm(softmax_attention, weight).view(-1, self.in_planes, self.kernel_size, self.kernel_size)
        if self.bias is not None:
            aggregate_bias = torch.mm(softmax_attention, self.bias).view(-1)
            output = F.conv2d(x, weight=aggregate_weight, bias=aggregate_bias, stride=self.stride, padding=self.padding,
                              dilation=self.dilation, groups=self.groups*batch_size)
        else:
            output = F.conv2d(x, weight=aggregate_weight, bias=None, stride=self.stride, padding=self.padding,
                              dilation=self.dilation, groups=self.groups * batch_size)

        output = output.view(batch_size, self.out_planes, output.size(-2), output.size(-1))
        return output

看完上述内容，你们对如何解析基于Pytorch的动态卷积复现有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注行业资讯频道，感谢大家的支持。