我想实现一个卷积层，为每个输出位置使用不同的卷积滤波器。具体地说，考虑输出为16 * 16 * 128（W * H * C）的情况。没有3 * 3 * 128过滤器，而是有16 * 16过滤器；每个尺寸为3 * 3 * 128。这将导致大量的参数，但是可能的情况是，每个3 * 3 * 128滤波器可能是相同的，只是按不同的常数进行缩放，并且可以通过边网学习这些常数。这样，参数的数量就不会太多。
Dynamic Filter Networks中简要介绍了类似的想法，但是我找不到特定于位置的过滤器的实现。我的问题是，如果我们要使用位置特定的卷积滤波器，如何在Tensorflow或Pytorch中实现它？我需要编写自己的操作还是有一些聪明的方法来使用提供的功能？如果我必须编写OP，是否有任何技巧可以轻松实现此想法？任何帮助表示赞赏！
答案 0 :(得分：0)
根据定义，卷积不是特定于位置的-这就是使其成为卷积的原因。如果要泛化卷积，请记住，最终卷积是简单线性运算的特殊情况。因此，您可以将“特定于位置的”卷积实现为具有非常特定的稀疏权重的全连接层（nn.Linear）。
答案 1 :(得分：0)
卷积比全连接层更有效的原因是因为它们是平移不变的。如果您希望具有取决于位置的卷积，则需要向卷积添加两个额外参数，即具有 N+2 个输入通道，其中 x, y 坐标是两个附加通道的值（例如 {{3} }，或CoordConv）。