深度学习基础 2D卷积(1)

什么是2D卷积

2D参数量怎么计算

以pytorch为例子,2D卷积在设置的时候具有以下参数,具有输入通道的多少(这个决定了卷积核的通道数量),滤波器数量,这个是有多少个滤波器,越多提取的特征就越有用,kernel_size,这个是卷积核的大小,相当于一个观测器的大小,越大参数越大其实是越强。

python 复制代码
import torch
import torch.nn as nn

# 创建一个输入张量,假设是一张3通道的4x4图像
# 输入通道数为3
input_tensor = torch.randn(1, 3, 4, 4)  # (batch_size, in_channels, height, width)

# 创建卷积层
# 输入通道数为3,输出通道数为16,卷积核大小为3x3,步幅为1,无填充
conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=0)

# 执行卷积操作
output_tensor = conv_layer(input_tensor)

# 查看输出张量的形状
print("输出张量的形状:", output_tensor.shape)
bash 复制代码
Param # = (input_channels * output_channels * kernel_height * kernel_width) + output_channels
数字图像处理中的2D卷积与自己设计的2D卷积的区别
代码如下
python 复制代码
import cv2
import numpy as np
import torch
import torch.nn as nn
import matplotlib.pyplot as plt

# 创建一个随机的灰度图像
gray_image = np.random.rand(64, 64) * 255  # 生成0到255之间的随机灰度值
gray_image=cv2.imread("7.jpg",0)


# 将灰度图像复制到RGB通道,创建彩色图像
color_image = cv2.cvtColor(gray_image.astype(np.uint8), cv2.COLOR_GRAY2RGB)

# 定义一个锐化卷积核
# kernel = np.array([[-1, -1, -1],
#           [-1, 9, -1],
#           [-1, -1, -1]])/2 # 平均滤波器

kernel = np.array([[ 0 , 1 , 0],
          [ 1 ,-4 , 1],
          [ 0 , 1 , 0]])*128 # 平均滤波器


kernel = np.array([[ 1 , 1 , 1],
          [ 1 ,1 , 1],
          [ 1 , 1 , 1]])/9 # 平均滤波器          

# 进行基本卷积操作、OpenCV卷积操作和锐化卷积操作
basic_result = cv2.filter2D(gray_image, -1, kernel)
opencv_conv_result = cv2.filter2D(gray_image, -1, kernel)
sharpened_image = cv2.filter2D(gray_image, -1, kernel)

# 将灰度图像转换为PyTorch张量
gray_image_tensor = torch.from_numpy(gray_image).unsqueeze(0).unsqueeze(0).float() / 255.0

# 创建一个卷积层,使用相同的卷积核
conv2d_layer = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, padding=1, bias=False)
conv2d_layer.weight.data = torch.from_numpy(kernel).unsqueeze(0).unsqueeze(0).float()

# 进行PyTorch的Conv2d卷积操作
pytorch_conv_result = conv2d_layer(gray_image_tensor).squeeze().detach().numpy()


# 显示原始灰度图像、基本卷积结果、OpenCV卷积结果、锐化卷积结果和PyTorch卷积结果
plt.figure(figsize=(25, 5))
plt.subplot(1, 5, 1)
plt.title("Original Gray Image")
plt.imshow(gray_image, cmap='gray', vmin=0, vmax=255)

plt.subplot(1, 5, 2)
plt.title("Basic Convolution")
plt.imshow(basic_result, cmap='gray', vmin=0, vmax=255)

plt.subplot(1, 5, 3)
plt.title("OpenCV Convolution")
plt.imshow(opencv_conv_result, cmap='gray', vmin=0, vmax=255)

# plt.subplot(1, 5, 4)
# plt.title("Sharpened Gray Image")
# plt.imshow(sharpened_image, cmap='gray', vmin=0, vmax=255)

plt.subplot(1, 5, 4)
plt.title("PyTorch Convolution")
plt.imshow(pytorch_conv_result, cmap='gray', vmin=0, vmax=1)

plt.show()

均值滤波结果如下

采用边缘检测算法结果如下

结果如下

从结果来看卷积似乎有些区别但是功能一致具体问题处在哪,以后再尝试

相关推荐
Naomi5215 分钟前
Trustworthy Machine Learning
人工智能·机器学习
刘 怼怼18 分钟前
使用 Vue 重构 RAGFlow 实现聊天功能
前端·vue.js·人工智能·重构
程序员安仔19 分钟前
每天学新 AI 工具好累?我终于发现了“一键全能且免费不限量”的国产终极解决方案
人工智能
闭月之泪舞19 分钟前
OpenCv(五)——边缘检测
人工智能·计算机视觉
星霜旅人21 分钟前
K-均值聚类
人工智能·机器学习
Json_31 分钟前
Vue v-bind指令
前端·vue.js·深度学习
lilye6633 分钟前
程序化广告行业(39/89):广告投放的数据分析与优化秘籍
大数据·人工智能·数据分析
Json_34 分钟前
JS中的冒泡简洁理解
前端·javascript·深度学习
欧雷殿34 分钟前
再谈愚蠢的「八股文」面试
前端·人工智能·面试
Json_35 分钟前
Vue 自定义指令
前端·vue.js·深度学习