PyTorch中同一卷积层能否同时添加自定义固定滤波器和随机初始化滤波器

完全可以在你当前定义的conv1卷积层内加入自定义固定滤波器，不需要额外新增卷积层，具体实现方法如下： #

具体操作步骤 #

• 首先明确PyTorch中nn.Conv2d的权重维度规则：参数权重的维度为(输出通道数, 输入通道数, 卷积核高度, 卷积核宽度)，你当前定义的conv1输入通道为1，输出通道为10，卷积核尺寸3×3，刚好匹配你给出的3×3自定义滤波器尺寸。
• 将numpy格式的自定义滤波器转为PyTorch张量，补全匹配权重的维度后，赋值给conv1权重的对应输出通道位置即可。
• 如果你需要这个滤波器固定不参与训练更新，将对应位置参数的requires_grad属性设置为False即可。

完整代码示例 #

import torch
import torch.nn as nn
import numpy as np

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        # 原有卷积层定义，输出10个通道，你也可以改成11来新增一个通道放自定义滤波器
        self.conv1 = nn.Conv2d(1, 10, kernel_size=3)
        
        # 你的自定义固定滤波器
        filter_vals = np.array([[-1, -1, 1], [-1, -1, 1], [-1, -1, 1]])
        # 转换为float类型张量，补全维度适配conv1权重格式
        filter_tensor = torch.from_numpy(filter_vals).float().unsqueeze(0).unsqueeze(0)
        
        # 这里是将自定义滤波器赋值给第1个输出通道的权重，你可以换成其他索引位置
        self.conv1.weight.data[0] = filter_tensor
        # 固定该滤波器，训练时不更新参数
        self.conv1.weight.data[0].requires_grad = False

补充说明 #

如果你不想替换原本的10个卷积核，想把自定义滤波器作为额外的独立通道使用，只需要把nn.Conv2d的第二个参数（输出通道数）改成11，再把自定义滤波器赋值给第11个通道（索引为10）即可，剩余10个通道依然保留默认初始化和训练更新的逻辑。
如果需要添加多个自定义固定滤波器，重复上面的赋值和设置requires_grad的操作即可。

内容的提问来源于stack exchange，提问作者Itay