卷积图解_(图解)一步一步使用CPP实现深度学习中的卷积

最新推荐文章于 2023-11-07 21:00:04 发布
最新推荐文章于 2023-11-07 21:00:04 发布
阅读量212 收藏 1
点赞数
文章标签： 卷积图解
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/weixin_39760368/article/details/112658935
版权

【导语】卷积操作在深度学习中的重要性,想必大家都很清楚了。接下来将通过图解的方式,使用cpp一步一步从简单到复杂来实现卷积操作。

  • 符号约定F为输入;width为输入的宽;height为输入的高;channel为输入的通道;K为kernel;kSizeX为kernel的宽;kSizeY为kernel的高;filters为kernel的个数;O为输出;outWidth为输出的宽;outHeight为输出的高;outChannel为输出的通道;

  • 卷积输出尺寸计算公式

  • 1. 最简单的3x3卷积首先, 我们不考虑任何padding, stride, 多维度等情况,来一个最简单的3x3卷积操作.计算思路很简单, 对应元素相乘最后相加即可.此处:

    • width=3

    • height=3

    • channel=1

    • paddingX=0

    • paddingY=0

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=1

    • outHeight=1

    • outChannel=1

4ddf26b18de94fa634f444740b36de10.png
图1 最简单的3x3卷积

cpp代码:

void demo0()
{
    float F[] = {1,2,3,4,5,6,7,8,9};
    float K[] = {1,2,3,4,5,6,7,8,9};
    float O = 0;

    int width  = 3;
    int height = 3;
    int kSizeX = 3;
    int kSizeY = 3;

    for(int m=0;m    {
        for(int n=0;n        {
            O+=K[m*kSizeX+n]*F[m*width+n];
        }
    }

    std::cout<" ";
}

  • 2. 最简单卷积(1)接下来考虑能适用于任何尺寸的简单卷积, 如输入为4x4x1, kernel为3x3x1. 这里考虑卷积步长为1, 则此处的参数为:

    cpp代码:

    • width=4

    • height=4

    • channel=1

    • paddingX=0

    • paddingY=0

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=182de461094b73ac24790bc69303d2308.png

      图2 最简单卷积(1) 
void demo1()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9};
    float O[] = {0,0,0,0};

    int padX = 0;
    int padY = 0;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 1;
    int strideY  = 1;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for(int i=0;i    {
        for(int j=0;j        {
            for(int m=0;m            {
                for(int n=0;n                {
                    O[i*outW+j]+=K[m*kSizeX+n]*F[(m+i)*width+(n+j)];
                }
            }
        }
    }

    for (int i = 0; i     {
        for (int j = 0; j         {
            std::cout<" ";
        }
        std::cout<<:endl>    }
}

  • 3. 最简单卷积(2)接下来考虑在步长上为任意步长的卷积,  如输入为4x4x1, kernel为2x2x1. 这里考虑卷积步长为2, 则此处的参数为:

    • width=4

    • height=4

    • channel=1

    • paddingX=0

    • paddingY=0

    • strideX=2

    • strideY=2

    • dilationX=1

    • dilationY=1

    • kSizeX=2

    • kSizeY=2

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=1

c3e719328b99c9d12dcb96a204ae0429.png
图3 最简单卷积(2)

cpp代码:

void demo2()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4};
    float O[] = {0,0,0,0};

    int padX = 0;
    int padY = 0;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 2;
    int kSizeY = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for(int i=0;i    {
        for(int j=0;j        {
            for(int m=0;m            {
                for(int n=0;n                {
                    O[i*outW+j]+=K[m*kSizeX+n]*F[(m+i*strideY)*width+(n+j*strideX)];
                }
            }
        }
    }

    for (int i = 0; i     {
        for (int j = 0; j         {
            std::cout<" ";
        }
        std::cout<<:endl>    }
}

  • 4. 带padding的卷积接下来考虑带padding的卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1 则此处的参数为:

    cpp代码:

    • width=4

    • height=4

    • channel=1

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=1ac4b943ebd5dd139b232311470de5553.png

      图4 考虑padding卷积 
void demo3()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9};
    float O[] = {0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for(int i=0;i    {
        for(int j=0;j        {
            for(int m=0;m            {
                for(int n=0;n                {
                    float fVal = 0;  
                    //考虑边界强情况
                    if((n+j*strideX-padX)>-1&&(m+i*strideY-padY>-1)&&(n+j*strideX-padX)<=width&&(m+i*strideY-padY>-1)<=height) 
                    {
                        fVal = F[(m+i*strideY-padX)*width+(n+j*strideX-padY)];
                    }
                    O[i*outW+j]+=K[m*kSizeX+n]*fVal;
                }
            }
        }
    }

    for (int i = 0; i     {
        for (int j = 0; j         {
            std::cout<" ";
        }
        std::cout<<:endl>    }
}

  • 5. 多通道卷积接下来考虑多通道卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1, 输入通道为2, 则此处的参数为:

    cpp代码:

    • width=4

    • height=4

    • channel=2

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=1768d6c1cfd44cfaafc31d5fdea6bf5ed.png

      图5 多通道卷积 
void demo4()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9};
    float O[] = {0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int channel = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for (int c = 0; c     {
        for(int i=0;i        {
            for(int j=0;j            {
                for(int m=0;m                {
                    for(int n=0;n                    {
                        float fVal = 0;
                        if((n+j*strideX-padX)>-1&&(m+i*strideY-padY>-1)&&(n+j*strideX-padX)<=width&&(m+i*strideY-padY>-1)<=height)
                        {
                            fVal = F[c*width*height + (m+i*strideY-padX)*width+(n+j*strideX-padY)];
                        }
                        O[i*outW+j]+=K[c*kSizeX*kSizeY+m*kSizeX+n]*fVal;
                    }
                }
            }
        }
    }

    for (int i = 0; i     {
        for (int j = 0; j         {
            std::cout<" ";
        }
        std::cout<<:endl>    }
}

  • 6. 多kernel卷积接下来考虑多kernel卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1, 输入通道为2, filters为2, 则此处的参数为:

    • width=4

    • height=4

    • channel=2

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=2

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=2

4462aababe09886096bfe53d86a74457.png
图6 多kernel卷积

cpp代码:

void demo5()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9,
                 1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9
                };
    float O[] = {0,0,0,0,0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int channel = 2;

    int filters = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    int outC = filters;

    for (int oc = 0; oc     {
        for (int c = 0; c         {
            for(int i=0;i            {
                for(int j=0;j                {
                    for(int m=0;m                    {
                        for(int n=0;n                        {
                            float fVal = 0;
                            if((n+j*strideX-padX)>-1&&(m+i*strideY-padY>-1)&&(n+j*strideX-padX)<=width&&(m+i*strideY-padY>-1)<=height)
                            {
                                fVal = F[c*width*height + (m+i*strideY-padX)*width+(n+j*strideX-padY)];
                            }
                            O[oc*outH*outW+i*outW+j]+=K[oc*outC*kSizeX*kSizeY+c*kSizeX*kSizeY+m*kSizeX+n]*fVal;
                        }
                    }
                }
            }
        }
    }

    for (int oc = 0; oc     {
        for (int i = 0; i         {
            for (int j = 0; j             {
                std::cout<" ";
            }
            std::cout<<:endl>        }
        std::cout<<:endl>    }
}

  • 7. 膨胀卷积接下来考虑多膨胀卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1, 输入通道为2, filters为2, dilate为2则此处的参数为:

    • width=4

    • height=4

    • channel=2

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=2

    • dilationY=2

    • kSizeX=3

    • kSizeY=3

    • filters=2

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=2

2160702964d60571fe0c1cc88393e249.png
图7 膨胀卷积

cpp代码:

void demo6()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9,
                 1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9
                };
    float O[] = {0,0,0,0,0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 2;
    int dilationY = 2;

    int strideX  = 1;
    int strideY  = 1;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int channel = 2;

    int filters = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    int outC = filters;

    for (int oc = 0; oc     {
        for (int c = 0; c         {
            for(int i=0;i            {
                for(int j=0;j                {
                    for(int m=0;m                    {
                        for(int n=0;n                        {
                            float fVal = 0;
                            if( ((n+j*strideX)*dilationX-padX)>-1 && ((m+i*strideY)*dilationY-padY)>-1&&
                               ((n+j*strideX)*dilationX-padX)<=width && ((m+i*strideY)*dilationY-padY>-1)<=height)
                            {
                                fVal = F[c*width*height + ((m+i*strideY)*dilationX-padX)*width+((n+j*strideX)*dilationY-padY)];
                            }
                            O[oc*outH*outW+i*outW+j]+=K[oc*outC*kSizeX*kSizeY+c*kSizeX*kSizeY+m*kSizeX+n]*fVal;
                        }
                    }
                }
            }
        }
    }

    for (int oc = 0; oc     {
        for (int i = 0; i         {
            for (int j = 0; j             {
                std::cout<" ";
            }
            std::cout<<:endl>        }
        std::cout<<:endl>    }
}
  • git源码https://github.com/msnh2012/ConvTest

推荐阅读：

推荐！CV预训练模型全集！

国内外优秀的计算机视觉团队汇总｜最新版

YOLOv4中的数据增强

f884401f96f121f277c28716cfc31c51.png

weixin_39760368
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
juanji.rar_c++卷积_卷积_卷积 c++ _卷积 实现
09-24
卷积函数，实现线形卷积的计算，卷积函数，实现线形卷积的计算，
深入浅出卷积神经网络及实现！
Datawhale
06-10 2740
↑↑↑关注后"星标"Datawhale每日干货 &每月组队学习，不错过Datawhale干货作者：陈桦、夏雨柔、樊亮，Datawhale优秀学习者卷积神经网...
【基础】卷积种类总结及图解
weixin_44505185的博客
09-12 6497
卷积种类总结及图解
卷积神经网络流程图（清晰）
每日提升一点点
03-04 5700
图像的处理原理：CNN（卷积神经网络）的实现过程
喜欢打酱油的老鸟
05-21 1万+
了解一定的技术原理，对产品经理而言是有益处的。本文讲述的图像处理的基本思路，希望大家能够对当前图像处理技术有一定了解。 现在有个概念叫泛产品经理，这个概念本身是好的，核心说的是产品思维，但是在工作上我认为还是有一定误导性。产品经理在工作中要突出自己的核心价值与职业壁垒，如果无法构建良好的职业壁垒，就会面临中年危机带来的挑战。 人工智能相对的技术内容是塑造职业壁垒的有力武器，并非要求产品经理能够自己写代码开发产品，而且在了解技术原理后，能够将业务快速高效的转化为可实施的产品问题，对于人工智能相关的.
普通卷积、转置卷积、膨胀卷积详细介绍以及用法
guoqingru0311的博客
09-21 334
普通卷积、转置卷积、膨胀卷积详细介绍以及用法
【转】史上最全！多图带你读懂各种常见卷积类型
XB_please的博客
09-24 7007
英文原文： A Comprehensive Introduction to Different Types of Convolutions in Deep Learning 如果你在深度学习中听说过不同类型的卷积（例如2d/3d/1x1/转置卷积/空洞卷积（ATROUS）/深度可分离卷积/深度卷积/扁平卷积/分组卷积/随机分组卷积），并且对它们的实际含义感到困惑，那么本文就是为了让你理解它们是如何...
卷积神经网络中 6 种经典卷积操作
金戈鐡馬
11-07 1491
深度学习的模型大致可以分为两类，一类是卷积神经网络，另外一类循环神经网络，在计算机视觉领域应用最多的就是卷积神经网络（CNN）。CNN在图像分类、对象检测、语义分割等经典的视觉任务中表现出色，因此也早就有一大批各种各样的经典卷积神经网络模型与一些鬼斧神工的卷积操作，今天小编就斗胆总结一波这些经典的卷积操作都有哪些？（不完全版本，欢迎补充….）
图解各种卷积
idol24的博客
08-27 2497
点击上方“机器学习与生成对抗网络”，关注星标获取有趣、好玩的前沿干货！本文分享自华为云社区《神经网络常用卷积总结》，原文作者：fdafadhttps://bbs.huaweicloud.c...
使用 Visio 绘制卷积示意图
热门推荐
qq_39220334的博客
03-25 1万+
卷积操作是深度学习网络的基石，说到神经网络模型设计就免不了提起卷积。要想解释清楚卷积的原理，卷积操作的示意图就必不可少，那么如何能够快速绘制卷积示意图呢？ 1. 卷积示意图分析 下图是百度飞桨讲解卷积定义的一个示例，输入图片、输出图片还有卷积核都用网格进行表示 讲述卷积操作时，卷积核网格里填入了数字，用来表示卷积核权重。输入图片网格中也写上了数字，用来表示图片特征值。 卷积的过程就是：将卷积核大小的窗口覆盖到特征图上，逐渐滑动的过程。为了突出这一过程，被覆盖区域都被涂上了颜色，如图 (a) 中的红色。
myCnn.rar_卷积 预测_卷积神经网络_卷积网络 预测_深度学习预测_预测
09-19
深度学习中的算法，卷积神经网络，用于样本分类预测
cifar多通道卷积_dayjmb_深度学习_核卷积_反卷积_卷积神经网络_
10-01
cifar反卷积、cifar卷积核优化、cifar多通道卷积、cifar简洁代码
RNN预测正弦函数.rar_RNN_卷积循环_正弦函数_深度学习_预测深度学习
09-20
深度学习中，循环卷积网络常用于预测正弦函数的取值
CNN-master.zip_CNN 识别_master cnn_universebg2_深度卷积网络_深度学习
07-14
深度学习 卷积神经网络 手写体识别 准确率98%
基于matlab实现的空间调制通信过程，包含信号调制、天线选择等发送过程，以及采用最大似然估计的检测过程 .rar
最新发布
05-02
基于matlab实现的空间调制通信过程，包含信号调制、天线选择等发送过程，以及采用最大似然估计的检测过程。.rar
基于matlab的关于生猪养殖场经营管理的研究.docx
05-02
本文档是课题研究的研究报告内含调研以及源码设计以及结果分析
网络作为特征提取器-python源码.zip
05-02
网络作为特征提取器-python源码.zip
JavaScript-javaweb项目
05-02
JavaScript-javaweb项目
node-v12.11.0-linux-arm64.tar.xz
05-02
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
实用卷积神经网络运用python实现高级深度学习模型
05-12
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，广泛应用于图像识别、语音识别、自然语言处理等领域。Python是一种功能强大的编程语言，具有广泛的应用和支持，而且有许多流行的深度学习框架可供使用，如TensorFlow、PyTorch、Keras等，因此Python成为卷积神经网络实现的首选语言。 通过Python实现卷积神经网络，可以便捷地构建高级深度学习模型。在Python的各种深度学习框架中，提供了许多卷积神经网络的类和函数，这些类和函数可以轻松地创建卷积层、池化层和全连接层等各种网络层，并调整参数、优化模型，最终得到一个准确率高、效果好的深度学习模型。 卷积神经网络在Python中的实现主要分为以下几个步骤： 1.准备数据集：选择对应的数据集，使用Python的数据处理库对数据进行读取、清洗和预处理。 2.构建卷积神经网络模型：使用Python的深度学习框架，通过堆叠卷积层、池化层和全连接层等组成卷积神经网络模型。 3.训练模型：使用Python的深度学习框架对模型进行训练，通过对数据集进行多次迭代训练，对卷积神经网络模型进行优化，提高模型准确率。 4.测试模型：使用Python的深度学习框架对卷积神经网络模型进行测试，测试不同数据集下模型的准确率和性能。 通过Python实现卷积神经网络，可以有效提高深度学习模型的准确度和可靠性，为图像识别、语音识别等领域提供了强有力的支持。

“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