任务要求：

自定义一个层主要是定义该层的实现函数,只需要重载Function的forward和backward函数即可,如下:

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

定义二值化函数

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

定义一个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

进行测试

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, 二值化函数部分也可以按照方式写,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

以上这篇pytorch自定义二值化网络层方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。