如何定义权重由输入控制的PyTorch卷积层nn.Module？

不用预定义nn.Conv1d模块，改用torch.nn.functional.conv1d函数就能解决这个问题——它允许你手动传入动态生成的卷积权重，同时保证可学习参数正常参与反向传播。

核心思路 #

1. 只在初始化阶段定义可学习的参数矩阵A（形状为k×m，k是卷积核大小，m是y的维度）
2. 在forward方法中，接收输入x和y，通过A和y计算出每个样本对应的卷积核
3. 调用F.conv1d，传入动态生成的卷积核完成卷积操作

完整代码实现 #

import torch
import torch.nn.functional as F

class DynamicConvModel(torch.nn.Module):
    def __init__(self, kernel_size, y_dim):
        super().__init__()
        # 定义可学习的k×m参数矩阵A，初始化用随机正态分布
        self.A = torch.nn.Parameter(torch.randn(kernel_size, y_dim))

    def forward(self, x, y):
        # x的输入形状需为 (batch_size, in_channels, x_length)，这里in_channels=1
        # y的输入形状为 (batch_size, y_dim)
        
        # 计算每个样本对应的卷积核：y @ A.T -> 形状为 (batch_size, kernel_size)
        # 调整形状适配F.conv1d的要求：(batch_size, out_channels, in_channels, kernel_size)
        # 这里out_channels=1，in_channels=1，所以加两个unsqueeze维度
        conv_kernel = torch.matmul(y, self.A.T).unsqueeze(1).unsqueeze(1)
        
        # 执行卷积，groups=1保证每个样本用自己的卷积核计算
        output = F.conv1d(x, conv_kernel, groups=1, bias=None)
        return output

关键细节说明 #

• 为什么用F.conv1d而非nn.Conv1d？因为预定义的nn.Conv1d层的权重是固定的模块参数，无法动态根据输入y修改；而functional API允许你每次传入不同的权重，灵活度更高。
• 形状调整：F.conv1d要求权重的形状是(out_channels, in_channels/groups, kernel_size)，这里我们设置groups=1，同时把每个样本的卷积核调整为(1,1,kernel_size)的形状，再通过batch维度堆叠，最终得到(batch_size,1,1,kernel_size)的权重张量，确保每个样本使用独立的卷积核。
• 参数A会被PyTorch自动识别为可学习参数，在反向传播时自动更新梯度。

示例使用 #

# 初始化模型：卷积核大小3，y的维度5
model = DynamicConvModel(kernel_size=3, y_dim=5)

# 构造输入：batch_size=2，x长度10，y维度5
x = torch.randn(2, 1, 10)
y = torch.randn(2, 5)

# 前向传播
output = model(x, y)
print(output.shape)  # 输出: torch.Size([2, 1, 8])，符合卷积输出长度10-3+1=8

内容的提问来源于stack exchange，提问作者user94041