如何在 pytorch 中进行卷积，其中每个小批量的内核都不同？答案

【问题标题】：How do I do a convolution in pytorch where the kernel is different for each minibatch?如何在 pytorch 中进行卷积，其中每个小批量的内核都不同？
【发布时间】：2020-06-24 02:01:43
【问题描述】：

让我用一个例子来表达标题：

令 A 为形状为 [16, 15, 128, 128] 的张量（表示 [batchsize, channels, height, width]）

令 B 为形状为 [16, 3, 128, 128] 的张量（表示 [batchsize, channels, height, width]）

我想输出一个形状为 [16, 5, 128, 128] 的张量（表示[batchsize, channels, height, width]）

其中输出的 5 个通道中的 i_th 通道由下式计算将元素 B 与 A 的 3 个通道的 i_th 切片相乘，然后它们沿通道维度进行求和。

您将如何在 pytorch 中执行该操作？

谢谢！

PD：很难表达我想从手术中得到什么，如果我不清楚，请问我，我会尝试重新解释

【问题讨论】：

标签： python machine-learning deep-learning neural-network pytorch

【解决方案1】：

我认为您正在寻找 torch.repeat_interleave 来帮助您“扩展”B 张量以拥有 15 个通道（3 个输入通道中的 5 组）：

extB = torch.repeat_interleave(B, 3, dim=1)  # extend B to have 15 channels
m = A * extB  # element wise multiplication of A with the extended version of B
# using some reshaping and mean we can get the 5 output channels you want
out = m.view(m.shape[0], 5, 3, *m.shape[2:]).mean(dim=2)

【讨论】：