pytorch-卷积神经网络基础卷积神经网络基础
卷积神经网络基础卷积神经网络基础
本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义。
二维卷积层二维卷积层
本节介绍的是最常见的二维卷积层，常用于处理图像数据。
二维互相关运算二维互相关运算
二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其
中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷
积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子，阴影
部分分别是输入的第一个计算区域、核数组以及对应的输出。
图1 二维互相关运算
下面我们用corr2d函数实现二维互相关运算，它接受输入数组X与核数组K，并输出数组Y。
import torch
import torch.nn as nn
def corr2d(X, K):
# 这里的corr2d是二维互运算
# x是二维数组,也就是需要卷积的数组
# k是卷积和
H, W = X.shape
h, w = K.shape
Y = torch.zeros(H - h + 1, W - w + 1)
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
Y[i, j] = (X[i: i + h, j: j + w] * K).sum()
return Y
构造上图中的输入数组X、核数组K来验证二维互相关运算的输出。
X = torch.tensor([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
K = torch.tensor([[0, 1], [2, 3]])
Y = corr2d(X, K)
print(Y)
# 符合计算结果
tensor([[19., 25.],
[37., 43.]])
二维卷积层二维卷积层
二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏置来得到输出。卷积层的模型参数包括卷积核和标量偏置。
class Conv2D(nn.Module):# 默认继承
def __init__(self, kernel_size):
super(Conv2D, self).__init__()
self.weight = nn.Parameter(torch.randn(kernel_size))# 卷积核
self.bias = nn.Parameter(torch.randn(1))
# print(self.bias)给每个维度都加上偏执
def forward(self, x):
# print(corr2d(x, self.weight),1)
# print(corr2d(x, self.weight) + self.bias,2)
return corr2d(x, self.weight) + self.bias# 卷积之后加上偏执
下面我们看一个例子，我们构造一张6×86 imes 86×8的图像，中间4列为黑（0），其余为白（1），希望检测到颜色边缘。
我们的标签是一个6×76 imes 76×7的二维数组，第2列是1（从1到0的边缘），第6列是-1（从0到1的边缘）。
X = torch.ones(6, 8)
资源评论
