会员服务 ·

基于Pytorch的动态卷积复现

2021 年 11 月 7 日 极市平台

↑ 点击蓝字关注极市平台

作者丨史开杰

来源丨 GiantPandaCV

编辑丨极市平台

极市导读

本文重点介绍了Pytorch中卷积的实现，并为实现过程中可能出现的问题给出解决方案。文末列出了相关代码，读者可对照代码进行实践。

Dynamic Convolution: Attention over Convolution Kernels

paper地址：

arxiv.org/pdf/1912.0345

代码实现地址：

https://github.com/kaijieshi7/Dynamic-convolution-Pytorch

其中包含一维，二维，三维的动态卷积；分别可以用于实现eeg的处理，正常图像的处理，医疗图像中三维脑部的处理等等。

一句话描述下文的内容：将

的大小视为分组卷积里面的组的大小进行动态卷积。如

,那么就转化成

，

的分组卷积。

简单回顾

这篇文章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。由于本文主要说明的是代码如何实现，所以推荐给大家一个讲解论文的链接：

https://zhuanlan.zhihu.com/p/142381725

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