快速卷积运算_教你从何从0开始使用Numpy实现卷积层

CNN中的卷积操作

卷积层是CNNs网络中可以说是最重要的层了，卷积层的主要作用是对输入图像求卷积运算。如下图所示，输入图片的维数为[c_0,h_0,w_0] ；卷积核的维数为[c_1,c_0,h_k,w_k]，其中c_0在图中没有表示出来，一个卷积核可以看成由c_1个维数为[c_0,h_k,w_k]的三维滤波器组成；除了这些参数通常在计算卷积运算的时候还有一些超参数比如：stride(步长)：S，padding(填充)：P。

根据上面所说的参数就可以求出输出特征的维数为[c_1,h_1,w_1],其中

h_1 = (h_0-h_k+2P)/S+1,

w_1 = (w_0-w_k+2P)/S+1。

卷积的计算过程其实很简单，但不是很容易说清楚，下面通过代码来说明。

基本环境设置:

%load_ext cython #代码运行在jupyter-notebook中import matplotlib.pyplot as pltimport numpy as np%matplotlib inlineplt.rcParams['figure.figsize'] = (10.0, 8.0) # set default size of plotsplt.rcParams['image.interpolation'] = 'nearest'plt.rcParams['image.cmap'] = 'gray'

卷积层计算的代码如下，想象一副图像尺寸为MxM，卷积核mxm。在计算时，卷积核与图像中每个mxm大小的图像块做element-wise相乘，然后得到的结果相加得到一个值，然后再移动一个stride，做同样的运算，直到整副输入图像遍历完，上述过程得到的值就组成了输出特征，具体运算过程还是看代码。

def conv_forward_naive(x, w, b, conv_param):

out = None

stride = conv_param['stride']

pad = conv_param['pad']

N, C, W, H = x.shape

F, C, HH, WW = w.shape

H_out = 1 + (H + 2 * pad - HH) / stride

W_out = 1 + (W + 2 * pad - WW) / stride

npad = ((0,0), (0,0), (pad,pad), (pad,pad))

x_pad = np.pad(x, pad_width=npad, mode='constant