Pytorch实现卷积运算（互相关）

最新推荐文章于 2024-05-08 18:15:39 发布
最新推荐文章于 2024-05-08 18:15:39 发布
阅读量1.4k 收藏
点赞数
分类专栏： 深度学习 pytorch 文章标签： 卷积 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40630902/article/details/119696661
版权
本文介绍了Pytorch中如何实现卷积运算，详细解析了二维互相关运算的过程，并通过示例展示了输出数组的计算方式。通过卷积窗口在输入数组上的滑动，计算每个位置的元素值，从而得到输出数组。
摘要由CSDN通过智能技术生成

Pytorch实现卷积运算（互相关）

1. 实现过程

在这里插入图片描述
在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。图中的输出数组高和宽分别为2，其中的4个元素由二维互相关运算得出：

0 × 0 + 1 × 1 + 3 × 2 + 4 × 3 = 19 , 1 × 0 + 2 × 1 + 4 × 2 + 5 × 3 = 25 , 3 × 0 + 4 × 1 + 6 × 2 + 7 × 3 = 37 , 4 × 0 + 5 × 1 + 7 × 2 + 8 × 3 = 43. 0\times0+1\times1+3\times2+4\times3=19,\\ 1\times0+2\times1+4\times2+5\times3=25,\\ 3\times0+4\times1+6\times2+7\times3=37,\\ 4\times0+5\times1+7\times2+8\times3=43.\\ 0×0+1×1+3×2

最低0.47元/天 解锁文章
xzw96
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络
qq_36570733的博客
09-24 1817
提前说一句：转载自吴恩达deeplearning 原文链接：https://blog.csdn.net/ice_actor/article/details/78648780                   https://blog.csdn.net/ice_actor/article/details/78671349        1.边界检测示例 假如你有一张如下的图像，你想让计算...
《数字图像处理》题库5：计算题 ②
热门推荐
csd233333的博客
05-12 4万+
这是我在学习数字图像处理这门课程时，从网络上以及相关书籍中搜集到的一些题目， 这些题目主要是针对期末考试的。 1、这篇文章整理了第5种题型，即计算题的第2部分。 2、为了提高复习的效率，这篇文章从考试可能涉及到的各个考点出发， 将题目按照考点归类，每一个考点中包括知识点回顾、经典例题、举一反三这3个部分。
Pytorch学习笔记——卷积操作
weixin_50765519的博客
05-08 1164
卷积操作是一种数学运算，它涉及两个函数：输入函数（通常是图像）和卷积核（也称为滤波器或特征检测器）。卷积核在输入函数上滑动，将核中的每个元素与其覆盖的输入函数区域中的对应元素相乘，然后将所有乘积相加，形成输出函数的一个值。这个过程在整个输入函数上重复，生成一个新的二维数组，称为特征图或激活图。卷积操作的主要目的是从输入数据中提取特征。通过改变卷积核的值，可以检测不同类型的特征，如边缘、角点、纹理等。
【图像处理OpenCV(C++版)】——5.1 图像平滑之二维离散卷积
cqy阳的博客
03-30 2035
【图像处理OpenCV(C++版)】——5.1 图像平滑之二维离散卷积 flip()函数、conv2D()函数、filter2D()函数使用
数字图像处理--卷积运算
MZYYZT的博客
12-06 833
数字图像处理--卷积运算
数字图像处理练习题整理 (二)
LostUnravel的博客
11-08 1219
请写出生成大小为 (2N+1)×(2N+1)、标准差为 sigma 的高斯模板 H 的方法。 二维高斯模板矩阵 HHH, 模板的大小为 (2N+1,2N+1)(2N+1, 2N+1)(2N+1,2N+1), 标准差为 σ\sigmaσ, 则其中 (N,N)(N,N)(N,N) 为模板中心, 则 H(i,j)H(i, j)H(i,j) 的值如下所示: H(i,j)=12πσ2exp⁡(−(i−N−1)2+(j−N−1)22σ2) H(i,j)=\frac{1}{2\pi \sigma^2}\exp(-\fra
pytorch_pytorch_卷积神经网络_
09-29
在这个项目中，我们将探讨如何在PyTorch中实现一个卷积神经网络，并利用MNIST数据集进行训练。 首先，我们要导入必要的库，包括PyTorch的torch和torchvision模块。torchvision包含了MNIST数据集，以及预处理和数据...
利用PyTorch实现卷积神经网络LeNet-5.ipynb
11-12
利用PyTorch实现卷积神经网络LeNet-5，详情可参考博客：https://blog.csdn.net/didi_ya/article/details/121289390
Pytorch实现基于卷积神经网络的面部表情识别项目源码
03-11
本项目是一个完整的深度...2. 学会使用深度学习框架之一Pytorch的使用。 3. 多分类问题在实际中的应用，是二分类的扩展。 4. 从数据处理，可视化，到模型搭建的过程，是一种经验和技巧的积累，达到“举一反三”的效果。
基于pytorch实现卷积神经网络（CNN）提取影评特征构建电影推荐系统源码
最新发布
06-21
基于pytorch实现卷积神经网络（CNN）提取影评特征构建电影推荐系统源码，深度学习在推荐系统上的运用，具体用了卷积神经网络（CNN）提取文本特征，融合PMF模型进行推荐。 基于pytorch实现卷积神经网络（CNN）提取...
pytorch 自定义卷积核进行卷积操作方式
09-18
今天小编就为大家分享一篇pytorch 自定义卷积核进行卷积操作方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
数字图像卷积
jinyu3d的博客
07-17 234
数字图像卷积核过程详解
卷积与图像处理
qq_21176497的博客
10-06 4560
图像处理与卷积卷积操作示例 卷积操作示例 我们在图像处理中遇到的数字图像通常分为两种： 单色（灰度）图像：每个像素的亮度用一个数值来表示，取值范围0-255，0表示黑、255表示白，其他值表示处于黑白之间的灰度 彩色图像：用红、绿、蓝三元组的二维矩阵来表示。三元组的每个数值也是在0-255之间，0表示相应的基色在该像素中没有，而255表示相应的基色在该像素中取得最大值。 以简单的灰度图像为例，每一张图像都可以看作是由像素值构成的二维矩阵。我们平时熟悉的平移、虚化、锐化等操作在这一层面上是如何实现的，其实，都
彻底理解数字图像处理中的卷积-以Sobel算子为例
daxi0315的博客
05-25 735
转自：http://www.cnblogs.com/freeblues/p/5738987.html 概述 卷积在信号处理领域有极其广泛的应用, 也有严格的物理和数学定义. 本文只讨论卷积在数字图像处理中的应用. 在数字图像处理中, 有一种基本的处理方法:线性滤波. 待处理的平面数字图像可被看做一个大矩阵, 图像的每个像素对应着矩阵的每个元素, 假设我们平面的分辨率是1024*7...
卷积例子
casanava18的博客
07-11 3929
所谓两个函数的卷积，本质上就是先将一个函数翻转，然后进行滑动叠加。 在连续情况下，叠加指的是对两个函数的乘积求积分，在离散情况下就是加权求和，为简单起见就统一称为叠加。 整体看来是这么个过程： 翻转——>滑动——>叠加——>滑动——>叠加——>滑动——>叠加..... 多次滑动得到的一系列叠加值，构成了卷积函数。 卷积的...
pytorch底层组卷积的实现方式
hyczkg的博客
06-16 3740
今天因为个人需求，去查看了一波pytorch源码中组卷积的实现，所以来记录一波。 源码见网页https://github.com/pytorch/pytorch/blob/master/aten/src/ATen/native/Convolution.cpp#L289-L297 简单的说就是把通道split成group个数目，然后分别进行卷积，然后cat起来。 ...
数字图像处理（3）—— 卷积
m0_37763336的博客
09-30 3709
目录 1、卷积概述 2、图像的卷积操作 2.1、基于 MATLAB 程序的图像卷积操作 2.2 基于OpenCV的数字图像卷积操作 1、卷积概述 卷积这个概念在很多领域中出现，比如信号与系统、数字信号处理、图像分类等等。那么什么是卷积？卷积有什么用？如何计算卷积呢？为了全面认识卷积，本文将从数学原理、物理意义等对卷积进行学习。 卷积是泛函分析中的一个数...
图像处理（一）相关与卷积操作
stupid_miao的博客
04-12 2456
相关与卷积操作都是 “乘积的和” 作为当前元素的值，但区别是卷积先要将模板旋转180°。 相关运算的本质目的是我们想了解事物基本组成的相似程度。而非互相影响。 具体的运算有： 自相关（Auto-correlation）看自身组成的是否相互重复 互相关（Cross-correlation）看两者之间组成的相似程度 卷积运算，反映了事物的相互作用，并且这种相互作用受制于同一个影响因子 参考 相关计算： 卷积计算（将核旋转180°然后就和相关计算一样了）： MOSSE算法 所以目标模板求取： 即
图像的卷积运算
hb707934728的博客
08-23 1万+
提到卷积运算，首先离不开的就是卷积核，这个卷积核其实就是一个大小固定、由数值参数构成的数组，数组的参考点通常位于数组的中心，数组的大小称为核支撑。单就技术而言，核支撑实际上仅仅由核数组的非0部分组成。或者，像其他说法，卷积核就是所谓的模板。 卷积运算，其实就是可看作是加权求和的过程，使用到的图像区域中的每个像素分别与卷积核(权矩阵)的每个元素对应相乘，所有乘积之和作为区域中心像素的新值。
基于pytorch实现卷积网络过程可视化
03-30
用 PyTorch 实现卷积网络过程可视化可以使用 torchviz 库。torchviz 可以将 PyTorch 模型的结构可视化为可交互的 graphviz 图形。你可以使用它来查看模型的结构，并了解每一层的输入和输出。使用方法如下: ``` from torchviz import make_dot # model是你的模型 dot = make_dot(model(x), params=dict(model.named_parameters())) dot.render("model") ``` 这将生成一个 "model.pdf" 文件，该文件包含了你的模型的结构图。你可以使用任何图形查看器来打开它。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值