卷积算子应用举例
下面介绍卷积算子在图片中应用的三个案例,并观察其计算结果。
案例1——简单的黑白边界检测
下面是使用Conv2D算子完成一个图像边界检测的任务。图像左边为光亮部分,右边为黑暗部分,需要检测出光亮跟黑暗的分界处。
可以设置宽度方向的卷积核为
[
1
,
0
,
−
1
]
[1, 0, -1]
[1,0,−1],此卷积核会将宽度方向间隔为1的两个像素点的数值相减。当卷积核在图片上滑动的时候,如果它所覆盖的像素点位于亮度相同的区域,则左右间隔为1的两个像素点数值的差为0。只有当卷积核覆盖的像素点有的处于光亮区域,有的处在黑暗区域时,左右间隔为1的两个点像素值的差才不为0。将此卷积核作用到图片上,输出特征图上只有对应黑白分界线的地方像素值才不为0。具体代码如下所示,结果输出在下方的图案中。
import matplotlib.pyplot as plt
import numpy as np
import paddle
import paddle.fluid as fluid
from paddle.fluid.dygraph import Conv2D
from paddle.fluid.initializer import NumpyArrayInitializer
%matplotlib inline
with fluid.dygraph.guard():
# 创建初始化权重参数w
w = np.array([1, 0, -1], dtype='float32')
# 将权重参数调整成维度为[cout, cin, kh, kw]的四维张量
w = w.reshape([1, 1, 1,3])
# 创建卷积算子,设置输出通道数,卷积核大小,和初始化权重参数
# filter_size = [1, 3]表示kh = 1, kw=3
# 创建卷积算子的时候,通过参数属性param_attr,指定参数初始化方式
# 这里的初始化方式时,从numpy.ndarray初始化卷积参数
# num_channels=1输入图像的通道数为1(表示为灰度图)
# num_filters=1,表示只有一个卷积核,每张图片都是使用相同的卷积核进行计算,
conv = Conv2D(num_channels=1, num_filters=1, filter_size=[1, 3],
param_attr=fluid.ParamAttr(initializer=NumpyArrayInitializer(value=w)))
# 创建输入图片,图片左边的像素点取值为1,右边的像素点取值为0
img = np.ones([50, 50], dtype='float32')
img[:, 30:] = 0.
# 将图片形状调整为[N, C, H, W]的形式,N输入几张图片,C图片的输入通道数(灰度图为1)
x = img.reshape([1, 1, 50, 50])
# 将numpy.ndarray转化成paddle中的tensor
x = fluid.dygraph.to_variable(x)
# 使用卷积算子作用在输入图片上
y = conv(x)
out = y.numpy()
f = plt.subplot(121)
f.set_title('input image', fontsize=15)
plt.imshow(img, cmap='gray')
f = plt.subplot(122)
f.set_title('output featuremap', fontsize=15)
# 卷积算子Conv2D输出数据形状为[N, C, H, W]形式
# 此处N, C=1,输出数据形状为[1, 1, H, W],是4维数组
# 但是画图函数plt.imshow画灰度图时,只接受2维数组
# 通过numpy.squeeze函数将大小为1的维度消除
plt.imshow(out.squeeze(), cmap='gray')
plt.show()
运行结果
# 查看卷积层参数
with fluid.dygraph.guard():
# 通过 conv.parameters()查看卷积层的参数,返回值是list,包含两个元素,一个是权重参数,一个是偏置参数
print(conv.parameters())
# 查看卷积层的权重参数名字和数值
print(conv.parameters()[0].name, conv.parameters()[0].numpy())
# 参看卷积层的偏置参数名字和数值
print(conv.parameters()[1].name, conv.parameters()[1].numpy())
打印结果
[name conv2d_0.w_0, dtype: VarType.FP32 shape: [1, 1, 1, 3] lod: {}
dim: 1, 1, 1, 3
layout: NCHW
dtype: float
data: [1 0 -1]
, name conv2d_0.b_0, dtype: VarType.FP32 shape: [1] lod: {}
dim: 1
layout: NCHW
dtype: float
data: [0]
]
conv2d_0.w_0 [[[[ 1. 0. -1.]]]]
conv2d_0.b_0 [0.]