1.简单描述卷积、卷积核、多通道、特征图、特征选择概念
卷积是一种数学运算,常用于图像处理和机器学习中的卷积神经网络中。
卷积核:卷积核是一个小型矩阵,用于在卷积过程中与输入数据进行逐元素相乘并求和的操作。
多通道是指输入数据或特征图具有多个独立的通道。
特征图是卷积运算的输出结果。它是对输入数据进行卷积操作后得到的二维矩阵。
特征选择是指在卷积神经网络中,通过使用不同的卷积核,网络可以自动学习并选择输入数据中最重要的特征。
2.探究不同卷积核的作用,研究背后的原理
不同卷积核在卷积神经网络中的作用是通过学习不同的特征来提取输入数据的不同视觉或语义信息。每个卷积核在卷积运算中对输入数据进行滤波,强调或检测不同的特征模式。
卷积核的大小和权重是由网络自动学习的,其作用是通过反向传播算法来优化网络的目标函数。通过反向传播,网络可以调整卷积核的权重,使其能够对输入数据中的某些特征做出更敏感的响应。
3.编程实现:灰度图的边缘化检测,锐化,模糊
import numpy as np
import torch
from torch import nn
from torch.autograd import Variable
from PIL import Image
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 #有中文出现的情况,需要u'内容
file_path = 'deer.jpg'
im = Image.open(file_path).convert('L') # 读入一张灰度图的图片
im = np.array(im, dtype='float32') # 将其转换为一个矩阵
print(im.shape[0], im.shape[1])
plt.imshow(im.astype('uint8'), cmap='gray') # 可视化图片
plt.title('原图')
plt.show()
im = torch.from_numpy(im.reshape((1, 1, im.shape[0], im.shape[1])))
conv1 = nn.Conv2d(1, 1, 3, bias=False) # 定义卷积
sobel_kernel = np.array([[-1, -1, -1],
[-1, 8, -1],
[-1, -1, -1]], dtype='float32') # 定义轮廓检测算子
sobel_kernel = sobel_kernel.reshape((1, 1, 3, 3)) # 适配卷积的输入输出
conv1.weight.data = torch.from_numpy(sobel_kernel) # 给卷积的 kernel 赋值
edge1 = conv1(Variable(im)) # 作用在图片上
x = edge1.data.squeeze().numpy()
print(x.shape) # 输出大小
plt.imshow(x, cmap='gray')
plt.show()