pytorch自定义二值化网络层方式
2020-02-13 10:06
1011 查看
任务要求:
自定义一个层主要是定义该层的实现函数,只需要重载Function的forward和backward函数即可,如下:
import torch from torch.autograd import Function from torch.autograd import Variable
定义二值化函数
class BinarizedF(Function): def forward(self, input): self.save_for_backward(input) a = torch.ones_like(input) b = -torch.ones_like(input) output = torch.where(input>=0,a,b) return output def backward(self, output_grad): input, = self.saved_tensors input_abs = torch.abs(input) ones = torch.ones_like(input) zeros = torch.zeros_like(input) input_grad = torch.where(input_abs<=1,ones, zeros) return input_grad
定义一个module
class BinarizedModule(nn.Module): def __init__(self): super(BinarizedModule, self).__init__() self.BF = BinarizedF() def forward(self,input): print(input.shape) output =self.BF(input) return output
进行测试
a = Variable(torch.randn(4,480,640), requires_grad=True) output = BinarizedModule()(a) output.backward(torch.ones(a.size())) print(a) print(a.grad)
其中, 二值化函数部分也可以按照方式写,但是速度慢了0.05s
class BinarizedF(Function): def forward(self, input): self.save_for_backward(input) output = torch.ones_like(input) output[input<0] = -1 return output def backward(self, output_grad): input, = self.saved_tensors input_grad = output_grad.clone() input_abs = torch.abs(input) input_grad[input_abs>1] = 0 return input_grad
以上这篇pytorch自定义二值化网络层方式就是小编分享给大家的全部内容了,希望能给大家一个参考
您可能感兴趣的文章:
相关文章推荐
- PyTorch(二)——搭建和自定义网络
- Pytorch 神经网络―自定义数据集上实现教程
- pytorch使用(二)自定义网络
- pytorch建立神经网络模型
- pytorch + visdom 应用神经网络、CNN 处理手写字体分类
- (继)pytorch中的pretrain模型网络结构修改
- 神经网络架构PYTORCH-几个概念
- PyTorch —— 神经网络权重初始化
- pytorchCNN网络权重
- PyTorch笔记4-快速构建神经网络(NN)
- pytorch构建网络模型的4种方法
- PyTorch笔记5-save和load神经网络
- 关于pytorch自定义数据的读取
- 神经网络架构PYTORCH-初相识(3W)
- pytorch如何自定义自己的MyDatasets
- Pytorch入门学习(八)-----自定义层的实现(甚至不可导operation的backward写法)
- 网络(4):socket中用户自定义缓冲区的原因及方式
- 学习pytest的第九天-----使用自定义的标签分类执行测试+三种生成报告的方式
- PyTorch快速入门教程三(神经网络)
- pytorch 实现cross entropy损失函数计算方式