卷积神经网络（CNN）：可视化卷积核(tf.nn.conv2d函数)处理后的图片

说到卷积神经网络，就要提到卷积计算，以上这幅图就是卷积计算的过程。关于卷积方面，这里就不详细说明了，网上资料有很多。
卷积的过程就是通过不同的卷积核提取不同的特征，如一些边缘特征（水平边缘，垂直边缘等）。这里主要通过代码展示通过卷积计算后图片的变化，以可视化的方法为大家展示卷积计算的作用。
代码如下，其中有较为详细的注释，主要需要了解的是函数tf.nn.conv2d()的用法。

import tensorflow as tf
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

img_path = 'input/lena.jpg'  # 图片路径
img = Image.open(img_path).convert('L')  # 读取图片,并转换为灰度图片
img = np.array(img)  # 将<class 'PIL.JpegImagePlugin.JpegImageFile'>类转化为np数组
plt.imshow(img, cmap='gray')
plt.show()  # 显示图片
# 原img数组shape为(512,512)，为满足conv2d()函数输入参数input的格式，
# 扩展维度为(1, 512, 512, 1)，即（图片数，高，宽，通道数）
img = np.expand_dims(img, 0)
img = np.expand_dims(img, 3)
print(img.shape)  # shape(1, 512, 512, 1)

kernel = np.array([
    # [0, -4, 0], [-4, 16, -4], [0, -4, 0]  # 整体边缘滤波器
    [1, 2, 1], [0, 0, 0], [-1, -2, -1]  # 水平边缘滤波器
    # [1, 0, -1], [2, 0, -2], [1, 0, -1]  # 垂直边缘滤波器
])
# 原卷积核的shape为(3，3)，为满足conv2d()函数输入参数filter的格式，
# 扩展维度为(3, 3, 1, 1)，即（卷积核高，卷积核宽，输入通道数，输出通道数）
kernel = np.expand_dims(kernel, 2)
kernel = np.expand_dims(kernel, 3)
print('kernel：', kernel.shape)  # shape(3, 3, 1, 1)

# 将img转换为Tensor变量用作输入
input = tf.Variable(img, dtype=tf.float32)
# 将卷积核转换为Tensor变量用作输入
filter = tf.Variable(kernel, dtype=tf.float32)
strides = [1, 2, 2, 1]  # 横向，纵向步长均设为2

output = tf.nn.conv2d(input, filter, strides=strides, padding='VALID')
print('output', output)
init_op = tf.global_variables_initializer()  # 初始化变量

with tf.Session() as sess:
    sess.run(init_op)
    out = (sess.run(output))
    print('out', out.shape)  # shape(1, 255, 255, 1)
    print(type(out))  # <class 'numpy.ndarray'>
    pic_arr = np.squeeze(out)  # shape(255, 255)
    plt.imshow(pic_arr, cmap='gray')
    plt.show()

以上代码以输入一张512*512的灰度图片为例，也可以读取不同的图片以观察对图片中边缘的提取效果。代码中的kernel数组定义了3个卷积核（或称为滤波器，每次运行时只使用一个即可，其它两行被注释了），分别为整体边缘滤波器，水平边缘滤波器和垂直边缘滤波器，以下以lena.jpg为例展示其效果。
输入图片为：

分别使用3种滤波器后输出图片如下：