深度学习入门之im2col函数的实现

最新推荐文章于 2023-09-19 17:53:10 发布

长满石楠的荒原

最新推荐文章于 2023-09-19 17:53:10 发布

阅读量2.5k

点赞数 6

分类专栏：深度学习 python 文章标签：深度学习

本文链接：https://blog.csdn.net/cz9797/article/details/104970190

版权

本文是关于深度学习中im2col函数的笔记，介绍了该函数用于加速卷积运算的原理和作用。通过实例解析了im2col如何将输入数据降维并进行矩阵运算，以替代繁琐的for循环。建议在学习深度学习之前掌握Python和numpy基础知识。

摘要由CSDN通过智能技术生成

此篇博客为作者对《深度学习入门——基于Python的理论和实现》一书中的im2col函数的笔记

1 学习该函数前需要具备什么知识？

需要了解卷积的相关知识

2 im2col函数的作用（为什么要使用im2co函数）？

卷积运算需要好几层for语句，这样实现麻烦，而且numpy中存在使用for语句变慢的缺点，所以不使用for语句，而用im2col函数代替。

im2col全称image to column（从图像到矩阵），作用为加速卷积运算。即把包含批数量的4维数据转换成2维数据。（也就是将输入数据降维，然后通过numpy的矩阵运算后得到结果，再将结果的形状还原，从而通过用矩阵运算来代替for循环语句）

如图所示，输入数据为四维（N, C, H, W），分别为数据个数，通道数，高，长

滤波器为四维（FN, C, FH, FW），分别为滤波器个数，通道数，滤波器高，滤波器长

输出数据为四维（N, FN, OH, OW），分别为数据个数，通道数，高，长

代码如下：

def im2col(input_data, filter_h, filter_w, stride=1, pad=0):
    """

    Parameters
    ----------
    input_data : 由(数据量, 通道, 高, 长)的4维数组构成的输入数据
    filter_h : 滤波器的高
    filter_w : 滤波器的长
    stride : 步幅
    pad : 填充
    Returns
    -------
    col : 2维数组
    """
    N, C, H, W = input_data.shape  #数据量、 通道、 高、 宽
    #输出数据高宽可由以下公式计算，不懂的同学可以去看卷积的相关知识（就是一个数学公式而已，记住就好）
    out_h = (H + 2*pad - filter_h)//stride + 1  #输出数据高 //表示向下取整除法  例：3//2=1
    out_w = (W + 2*pad - filter_w)//stride + 1  #输出数据宽
    #np.pad教程：   https://blog.csdn.net/hustqb/article/details/77726660
    img = np.pad(input_data, [(0,0), (0,0), (pad, pad), (pad, pad)], 'constant')
    #初始化一个六维数组  （数据个数， 通道数， 滤波器高， 滤波器宽， 输出高， 输出宽）
    col = np.zeros((N, C, filter_h, filter_w, out_h, out_w))  #六维
    #循环产生col数组，具体解释见代码下面
    for y in range(fil