我正在尝试使用PyTorch创建一个卷积神经网络，用于处理二维矩阵的输入。我使用的是3×5的滤波器，并且希望它有一个自定义的步长，如下所示：在偶数行号上，我希望滤波器从位置0的元素（图片中的红色）开始，在奇数行号上，我希望它从位置1的元素（图片中的蓝色）开始，并且在两种情况下，x方向上的步长为2。这意味着，如果我的输入是一个如图所示的矩阵，我希望滤波器的中心只有0。我知道这在卷积神经网络中非常不寻常，但这实际上是物理学中的一个问题，所以确切的步长非常重要。 
回答：
以下自定义的Conv2d层实现了如原始问题所述的棋盘式步长的卷积操作。这里的难点在于PyTorch并不真正支持这种不一致的步长。尽管如此，我们可以将这个操作分解为两个独立的步进卷积，一个用于偶数行，另一个用于奇数行。之后，我们可以将结果交错组合在一起。下面的代码中有一些细节，确保我们正确地填充（如果需要）。此外，这个层完全支持反向传播。
示例
这个层基本上就像一个普通的Conv2d，但使用了棋盘式步长。
>> layer = AMNI_Conv2d(1, 1, (3, 5), bias=False)# set kernels to delta functions to demonstrate kernel centers>>> with torch.no_grad():... layer.conv.weight.zero_()... layer.conv.weight[:,:,1,2] = 1>>> result = layer(x)tensor([[[[10., 12.], [19., 21.], [26., 28.], [35., 37.], [42., 44.], [51., 53.]]]], grad_fn=)
你也可以通过填充来获取原始图中的每一个“零”
>> layer = AMNI_Conv2d(1, 1, (3, 5), padding=(1, 2), bias=False)# set kernels to delta functions to demonstrate kernel centers>>> with torch.no_grad():... layer.conv.weight.zero_()... layer.conv.weight[:,:,1,2] = 1>>> result = layer(x)tensor([[[[ 1., 3., 5., 7.], [ 8., 10., 12., 14.], [17., 19., 21., 23.], [24., 26., 28., 30.], [33., 35., 37., 39.], [40., 42., 44., 46.], [49., 51., 53., 55.], [56., 58., 60., 62.]]]], grad_fn=)
