我有2张图片作为输入，分别是x1和x2，并尝试使用卷积作为相似性度量。这个想法是，学习到的权重替代了更传统的相似性度量（如交叉相关、最近邻等）。我的前向函数定义如下：

def forward(self,x1,x2):    out_conv1a = self.conv1(x1)    out_conv2a = self.conv2(out_conv1a)    out_conv3a = self.conv3(out_conv2a)    out_conv1b = self.conv1(x2)    out_conv2b = self.conv2(out_conv1b)    out_conv3b = self.conv3(out_conv2b)

现在来看相似性度量：

out_cat = torch.cat([out_conv3a, out_conv3b],dim=1)futher_conv = nn.Conv2d(out_cat)

我的问题如下：

1) 如谷歌论文中所述，使用深度/可分离卷积是否比对拼接输入进行2D卷积有优势？此外，卷积可以作为相似性度量吗？交叉相关和卷积非常相似。

2) 我的理解是，conv2d中的groups=2选项会提供两个独立的输入来训练权重，在这种情况下是之前网络的每个权重。这些权重随后如何结合起来？

有关基本概念，请参见这里。

回答：

使用nn.Conv2d层时，你假设权重是可训练的参数。然而，如果你想用一个特征图过滤另一个特征图，你可以深入了解并使用torch.nn.functional.conv2d来明确定义输入和滤波器：

out = torch.nn.functional.conv2d(out_conv3a, out_conv3b)