和鲸社区深度学习基础训练营2025年关卡3_Q1(1)

Q1: 给定一个大小为 32x32x1 的灰度图像(MNIST 手写数字图像),以及一个大小为 3x3x1x8 的卷积核,使用 conv2D_gemm 函数(我们上文中实现的)对图像进行卷积运算,步幅为 1,并填充方式为 same。 请问卷积结果的形状是多少?

1.纯numpy

复制代码
import numpy as np

# 生成随机图像和卷积核
input_image = np.random.rand(32, 32, 1)  # 32x32x1
kernel = np.random.rand(3, 3, 1, 8)     # 3x3x1x8

# 执行卷积运算
output = np.zeros((32, 32, 8))  # 初始化输出数组

# 使用'same'填充方式
pad_width = ((1, 1), (1, 1), (0, 0))
padded_image = np.pad(input_image, pad_width, mode='constant')

# 执行卷积
for i in range(8):  # 对每个卷积核
    for y in range(32):  # 高度方向
        for x in range(32):  # 宽度方向
            # 提取当前3x3区域
            region = padded_image[y:y+3, x:x+3, :]
            # 点乘并求和
            output[y, x, i] = np.sum(region * kernel[:, :, :, i])

print("卷积结果的形状:", output.shape)

运行结果:

2.使用 scipy.signal.convolve2d

复制代码
import numpy as np
from scipy.signal import convolve2d

# 生成随机输入图像和卷积核
input_image = np.random.rand(32, 32, 1)  # 32x32x1
kernel = np.random.rand(3, 3, 1, 8)     # 3x3x1x8

# 初始化输出数组
output = np.zeros((32, 32, 8))

# 对每个卷积核执行卷积
for i in range(8):
    # 提取当前卷积核(3x3x1)
    current_kernel = kernel[:, :, 0, i]
    # 对每个通道执行卷积
    output[:, :, i] = convolve2d(input_image[:, :, 0], current_kernel, 
                                mode='same', boundary='fill')

print("卷积结果的形状:", output.shape)

运行结果:

3.pytorch中的卷积函数

代码1

复制代码
import torch
import torch.nn as nn

conv_layer = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, stride=1, padding=1)
input_tensor = torch.randn(1, 1, 32, 32) 
output = conv_layer(input_tensor)
print(output.shape)  # 查看输出张量的形状

代码2

复制代码
import torch
import torch.nn as nn

# 生成随机输入图像和卷积核
input_image = torch.rand(1, 1, 32, 32)  # (batch_size, channels, height, width)
kernel = torch.rand(8, 1, 3, 3)         # (out_channels, in_channels, height, width)

# 创建卷积层
conv = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, 
                stride=1, padding=1, bias=False)  # padding=1实现'same'

# 手动设置卷积核权重
conv.weight = nn.Parameter(kernel)

# 执行卷积
output = conv(input_image)

print("卷积结果的形状:", output.shape)

运行结果:

(batch_size, channels, height, width)

相关推荐
中國龍在廣州9 分钟前
GPT-5冷酷操盘,游戏狼人杀一战封神!七大LLM狂飙演技,人类玩家看完沉默
人工智能·gpt·深度学习·机器学习·计算机视觉·机器人
东哥说-MES|从入门到精通10 分钟前
Mazak MTF 2025制造未来参观总结
大数据·网络·人工智能·制造·智能制造·数字化
CodeCraft Studio22 分钟前
Aspose.Words for .NET 25.7:支持自建大语言模型(LLM),实现更安全灵活的AI文档处理功能
人工智能·ai·语言模型·llm·.net·智能文档处理·aspose.word
山烛25 分钟前
深度学习:CNN 模型训练中的学习率调整(基于 PyTorch)
人工智能·pytorch·python·深度学习·cnn·调整学习率
THMAIL39 分钟前
深度学习从入门到精通 - 神经网络核心原理:从生物神经元到数学模型蜕变
人工智能·python·深度学习·神经网络·算法·机器学习·逻辑回归
七夜zippoe1 小时前
AI+Java 守护你的钱袋子!金融领域的智能风控与极速交易
java·人工智能·金融
小关会打代码1 小时前
深度学习之第八课迁移学习(残差网络ResNet)
人工智能·深度学习·迁移学习
ZHOU_WUYI1 小时前
FastVLM-0.5B 模型解析
人工智能·llm
非门由也1 小时前
《sklearn机器学习——多标签排序指标》
人工智能·机器学习·sklearn
XZSSWJS1 小时前
机器学习基础-day06-TensorFlow线性回归
人工智能·机器学习·tensorflow