文章目录
一、卷积运算定义
二、原始图像
三、卷积核[1,1;1,1] 效果
四、卷积核[1,-1;1,-1] 效果 纵向边缘检测
五、卷积核[1,1;-1,-1] 效果 横向边缘检测
六、自定义卷积层
七、卷积 反向传播(自制)
说明
1、此处的目标Y是用的纵向边缘检测的结果,所以kernel收敛的话,应该是收敛到[1,-1;1,-1]附近
2、第一张图象是原图,后面是每三次训练的图像
3、可以看到,loss并不收敛,个人感觉应该是模型过于简单(一个2*2的卷积核,一个卷积层),而且图片也不小,可能归一化后会会好一点
演示
八、卷积反向传播 (书中案例)
解释
1、nn.Conv2d参数解释
输入通道数:输入图片的色彩通道数
输出通道数:输出图片的色彩通道数
卷积核尺寸:卷积核行列数
步幅大小:每一次计算卷积核的移动长度
2、输入的X参数解释
第一个维度:X的批量大小
第二个维度:图片的色彩通道数
第三、四个维度:图片的长、宽