我有一个形状 (B(atch), F(features), N(odes), T(timestamps)) 的输入。现在，如果我使用形状为 (1,2) 的内核应用 2d 卷积，我将总共有 (F_out, F_in, 1,2) 权重来学习哪个是好的。我想扩展它，以便对于输入中的每个节点，我都有自己的形状为 (1,2) 的过滤器。你们中有人知道我应该从哪里开始吗？到目前为止，我遍历了所有 N 并将过滤器应用于其各自的输入。不幸的是，这种方法非常缓慢。
【问题讨论】：
标签： conv-neural-network pytorch convolution
您正在寻找“分组卷积”。nn.Conv2d 的文档关于 groups 参数：
在
groups=2，该操作相当于有两个卷积层并排，每个看到一半的输入通道，并产生一半的输出通道，然后将两者连接起来。
在您的情况下，您需要 groups= 节点数。
在您的情况下并不是那么简单，因为您想要“合并”特征和节点，并且在“特征”+“节点”维度上只有 1d 分组卷积。
此外，您需要在“节点”和“特征”之间进行置换，以便根据节点对特征进行分组。
b = 10;
inf = 8;
outf = 13;
n = 3;
t = 50;
x = torch.rand((b, inf, n, t)) # input tensor
gconv = nn.Conv1d(inf, outf, kernel_size=(2), groups=n) #grouped conv
x_ready = x.permute(0, 2, 1, 3).view(b, inf*n, t)
y_grouped = gconv(x_ready)
# "fix" y
y = y_grouped.view(n, n, outf, t).permute(0, 2, 1, 3) # now y is b-outf-n-t
【讨论】：