任務要求：

自定義一個層主要是定義該層的實現函數,只需要重載Function的forward和backward函數即可,如下:

import torchfrom torch.autograd import Functionfrom torch.autograd import Variable

定義二值化函數

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

定義一個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

進行測試

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, 二值化函數部分也可以按照方式寫,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

以上這篇pytorch自定義二值化網絡層方式就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林網之家。