6.1 卷积层 自定义

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

案例