pytorch(13)卷积层
卷积层
1. 1d/2d/3d卷积
Dimension of Convolution
卷积运算:卷积核在输入信号(图像)上滑动,相应位置上进行乘加
卷积核:又称为滤波器,过滤器,可认为是某种模式,某种特征。
卷积过程类似于用一个模版去图像上寻找与它相似的区域,与卷积核模式越相似,激活值越高,从而实现特征提取,所以在深度学习当中,可以把卷积核看成是特征提取器的检测器
AlexNet卷积核可视化,发现卷积核学习到的是边缘,条纹,色彩这一些细节模式
卷积维度:一般情况下,卷积核在几个维度上滑动,就是几维卷积
一个卷积核在一个信号上是几维卷积
2. 卷积-nn.Conv2d()
nn.Conv2d
nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True,padding_mode='zeros')
功能:对多个二维信号进行二维卷积
主要参数:
- in_channels:输入通道数
- out_channels:输出通道数,等价于卷积核个数
- kernel_size:卷积核尺寸
- stride:步长
- padding :填充个数(填充后相当于扩大边界尺寸,进行卷积时图片尺寸未变)
- dilation:空洞卷积大小(空洞卷积就是卷积核权值之间有间隔,带空洞的,常用于图像分割任务,作用是提高感受野,我们输出图像一个像素,可以看到前面图像更大的一个区域)
- groups:分组卷积设置(常用于模型的轻量化)
- bias:偏置
尺寸计算:
简洁版:
\]
完整版:
\]
# -*- coding: utf-8 -*-
"""
# @file name : nn_layers_convolution.py
# @author : TingsongYu https://github.com/TingsongYu
# @date : 2019-09-23 10:08:00
# @brief : 学习卷积层
"""
import os
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
import torch.nn as nn
from PIL import Image
from torchvision import transforms
from matplotlib import pyplot as plt
path_tools = os.path.abspath(os.path.join(BASE_DIR, "..", "..", "tools", "common_tools.py"))
assert os.path.exists(path_tools), "{}不存在,请将common_tools.py文件放到 {}".format(path_tools, os.path.dirname(path_tools))
import sys
hello_pytorch_DIR = os.path.abspath(os.path.dirname(__file__)+os.path.sep+".."+os.path.sep+"..")
sys.path.append(hello_pytorch_DIR)
from tools.common_tools import transform_invert, set_seed
set_seed(3) # 设置随机种子
# ================================= load img ==================================
path_img = os.path.join(os.path.dirname(os.path.abspath(__file__)), "lena.png")
img = Image.open(path_img).convert('RGB') # 0~255
# convert to tensor
img_transform = transforms.Compose([transforms.ToTensor()])
img_tensor = img_transform(img)
img_tensor.unsqueeze_(dim=0) # C*H*W to B*C*H*W
# ================================= create convolution layer ==================================
# ================ 2d
flag = 1
# flag = 0
if flag:
conv_layer = nn.Conv2d(3, 1, 3) # input:(i, o, size) weights:(o, i , h, w)
nn.init.xavier_normal_(conv_layer.weight.data)
# calculation
img_conv = conv_layer(img_tensor)
# ================ transposed
# flag = 1
flag = 0
if flag:
conv_layer = nn.ConvTranspose2d(3, 1, 3, stride=2) # input:(i, o, size)
nn.init.xavier_normal_(conv_layer.weight.data)
# calculation
img_conv = conv_layer(img_tensor)
# ================================= visualization ==================================
print("卷积前尺寸:{}\n卷积后尺寸:{}".format(img_tensor.shape, img_conv.shape))
img_conv = transform_invert(img_conv[0, 0:1, ...], img_transform)
img_raw = transform_invert(img_tensor.squeeze(), img_transform)
plt.subplot(122).imshow(img_conv, cmap='gray')
plt.subplot(121).imshow(img_raw)
plt.show()
通过改变seed的种子,设置卷积核的权值初始化。
接下来我们在
conv_layer = nn.Conv2d(3, 1, 3)
处设置断点,观察卷积层有哪些参数。
进入step into后,来到了conv.py文件中的class Conv2d(_ConvNd)类初始化,调用其__init__方法,ConvNd继承的module基本类。
我们来到conv_layer中的module和parameters,其中module因为是基本层所以没什么东西,parameters就有参数。我们可以看出它的weight的shape是一个4维的张量,为shape=[1,3,3,3],如何理解这个四维的张量实现的二维卷积。这个1代表着输出通道数,表示卷积核个数,一个卷积核所以设置为1。第二个3,表示输入通道数。后两个是卷积核的尺寸。将每一维的卷积加起来得到最终的值。
3. 转置卷积-nn.ConvTranspose
转置卷积又称为反卷积(Deconvolution)和部分跨越卷积(Fractionally-strided Convolution) ,用于对图像进行上采样(UpSample)
为什么称为转置卷积?
假设图像尺寸为4*4,卷积核为3*3,padding=0,stride=1
正常卷积:
[矩阵运算]图像16*1(将图像尺寸拉平),卷积核4*16(16是3*3的补零,4是输出的总个数),输出4*1=4*16 * 16*1
转置卷积:图像尺寸为2*2,卷积核为3*3,padding=0,stride=1
[矩阵运算]图像4*1,卷积核16*4,输出16*1=16*4 * 4*1
4*16和16*4是一个转置的关系
nn.ConvTranspose2d
功能:转置卷积实现上采样
主要参数:
- in_channels:输入通道数
- out_channels:输出通道数
- kernel_size:卷积核尺寸
- stride:步长
- padding :填充个数
- dilation:空洞卷积大小
- groups:分组卷积设置
- bias:偏置
nn.ConvTranspose2d(in_channels,
out_channels,
kernel_size,
stride=1,
padding=0,
output_padding=0,
groups=1,
bias=True,
dilation=1,
padding_mode='zeros')
尺寸计算:
简化版:
\]
\]
完整版:
\]
最新文章
- vue+ vue-router + webpack 踩坑之旅
- 易图软件之EaseMap Desktop 1.0发布
- ASCIITable: 演示 Arduino 串口输出的进阶功能
- 一、Spring——IoC
- c语言_帮助别人
- Dao 处理
- 一分钟让你明白CSS中的盒模型
- PDO扩展使用方法
- js小写转实现资本,js数字革命万元
- poj 2409+2154+2888(Burnside定理)
- Unity3D合并着色器
- 利用PyCharm进行Python远程调试
- php date函数
- Flask 扩展 自定义扩展
- OpenXml修改word特定内容
- JavaScript之原型|typeof|instanceof
- jsoup 是一款Java 的HTML解析器,可直接解析某个URL地址
- [centos][ntp][administrator] chrony ntp
- HTML 求阶乘之和
- SSH框架分模块开发
热门文章
- 牛客编程巅峰赛S2第10场 - 钻石&;王者 C.牛牛的路径和 (位运算,dfs)
- Codeforces Global Round 7 D2. Prefix-Suffix Palindrome (Hard version)(Manacher算法+输出回文字符串)
- Codeforces Beta Round #19 D. Points
- MySQL 语句及其种类
- cin 与 getline
- MobX All In One
- flutter 1.5 in action
- taro &; Block
- taro scroll tabs 滚动标签 切换
- redux &; connect