修改Conv2d的in_channels后权重形状未改变的问题排查与解决

原因分析 #

直接修改nn.Conv2d的in_channels属性仅改变了层的元数据记录，并未重新初始化权重参数。PyTorch在实例化nn.Conv2d时，会根据初始化传入的in_channels、out_channels等参数生成对应形状的权重张量；后续修改in_channels属性不会触发权重的重新生成，因此权重的输入通道维度仍保持初始化时的数值。

以你提供的示例代码为例：

layer = nn.Conv2d(in_channels=1, out_channels=2, kernel_size=(2,2), stride=(2,2))
layer.in_channels=2
print(layer)
print(layer.weight.shape)

输出中in_channels的显示值变为2，但权重形状仍为torch.Size([2, 1, 2, 2])，本质就是权重在实例化时已确定，修改属性无法改变已生成的权重张量。

解决方法 #

针对ResNet18适配灰度图像（1通道输入）的需求，提供两种实用方案：

方案1：迁移预训练权重（适合使用预训练模型） #

若使用预训练ResNet18，可将原conv1层的3通道权重做通道平均处理，转为1通道后替换原层，保留预训练信息：

import torch
import torch.nn as nn
from torchvision.models import resnet18

# 加载预训练模型
model = resnet18(pretrained=True)
# 提取原conv1的权重，对输入通道维度求平均
original_conv1_weight = model.conv1.weight.data
new_conv1_weight = original_conv1_weight.mean(dim=1, keepdim=True)  # 形状从[64,3,7,7]转为[64,1,7,7]
# 重新创建适配1通道输入的conv1层
model.conv1 = nn.Conv2d(
    in_channels=1, 
    out_channels=64, 
    kernel_size=7, 
    stride=2, 
    padding=3, 
    bias=False
)
# 将处理后的权重赋值给新的conv1层
model.conv1.weight.data = new_conv1_weight

方案2：直接重新初始化层（适合从头训练） #

若无需预训练权重，直接替换原conv1层为1输入通道的新层即可：

from torchvision.models import resnet18

model = resnet18(pretrained=False)
# 替换conv1层为适配1通道输入的版本
model.conv1 = nn.Conv2d(
    in_channels=1, 
    out_channels=64, 
    kernel_size=7, 
    stride=2, 
    padding=3, 
    bias=False
)

通用注意事项 #

不要通过直接修改nn.Module的属性来调整层的结构参数，正确做法是重新创建对应层并替换原层，或在实例化时就传入正确的参数。

内容的提问来源于stack exchange，提问作者BigBO