卷积层的实现

最新推荐文章于 2023-02-07 17:01:06 发布

AA_WangZai

最新推荐文章于 2023-02-07 17:01:06 发布

阅读量365

点赞数 1

分类专栏： Machine Learning 文章标签：卷积神经网络人工智能卷积

本文链接：https://blog.csdn.net/qq_43469488/article/details/116498361

版权

Machine Learning 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

初始化：

将滤波器（权重、卷积核）、偏置、步幅、填充作为参数接收。

滤波器是（FN, C, FH, FW）的四维形状。

Filter Number
Chanel
Filter Height

Filter Width

    def __int__(self, W, b, stride=1, pad=0):
        self.W = W # 权重
        self.b = b # 偏置
        self.stride = stride # 步幅
        self.pad = pad # 填充

卷积：

im2col函数展开输入数据，并用reshape将滤波器展开为2维数组，计算展开后的矩阵的乘积。

        col = im2col(x, FH, FW, self.stride, self.pad)
        col_W = self.W.reshape(FN, -1).T 
        out = np.dot(col. col_W) + self.b

卷积层的实现：

from common.util import im2col
import numpy as np

class Convolution:
    def __int__(self, W, b, stride=1, pad=0):
        self.W = W
        self.b = b
        self.stride = stride
        self.pad = pad

    def forward(self, x):
        FN, C, FH, FW = self.W.shape
        N, C, H, W = x.shape
        out_h = int(1 + (H + 2*self.pad - FH) / self.stride)
        out_w = int(1 + (W + 2*self.pad - FW) / self.stride)

        col = im2col(x, FH, FW, self.stride, self.pad)
        col_W = self.W.reshape(FN, -1).T 
        out = np.dot(col. col_W) + self.b

        out = out.reshape(N, out_h, out_w, -1).transpose(0, 3, 1, 2)

        return out

Q1: x.shape的意义和作用

Q2: transpose的作用对象

斋藤康毅.深度学习原理入门：基于Python的理论与实现[M].北京：人民邮电出版社，2020.