基于numpy实现CNN中卷积

def conv_padding(img,filter_size_x,filter_size_y):
    x_padding=int((filter_size_x-1)/2)
    y_padding=int((filter_size_y-1)/2)
    
    return np.pad(img,((y_padding,y_padding), (x_padding,x_padding), (0,0)),'constant')

卷积的过程中需要对输入图像进行padding，用np.pad()函数进行0填充

定义产生卷积核参数的函数，第一个维度是y轴方向，第二个维度是x轴方向
用np.random.rand()生成 0到1之间随机数

def filter_weights(filter_size_x,filter_size_y,input_channel):
#    随机种子
    np.random.seed(random.randint(1,5))
    return np.random.rand(filter_size_y,filter_size_x,input_channel)

卷积核的大小必须为奇数，不然会矩阵点乘的时候会产生维度不一致的错误

#卷积核大小必须为奇数
def conv(input_img,filter_size_x,filter_size_y,input_channel,output_channel,stride_x=1,stride_y=1):
    
    padded_img=conv_padding(input_img,filter_size_x,filter_size_y)
      
    input_img_size_list=input_img.shape
#    卷积后输出图像的大小    
    conved_size_x=int((input_img_size_list[1]-1)/stride_x+1)
    conved_size_y=int((input_img_size_list[0])/stride_y+1)
    
    output_img=np.empty((conved_size_y,conved_size_x,output_channel))
    
    for z in range(0,output_channel):
        x_ = 0
        for i in range(0,int((input_img_size_list[1]-1)/stride_x+1)):
            
            y_ = 0
            for j in range(0,int((input_img_size_list[0]-1)/stride_y+1)):
                
                output_img[j,i,z]=np.sum( np.multiply( filter_weights(filter_size_y,filter_size_x,input_channel), padded_img[y_:y_+filter_size_y,x_:x_+filter_size_x,:]) )     
                
#                np.multiply( filter_weights(filter_size_x,filter_size_y,input_channel), padded_img[y_:y_+filter_size_y,x_:x_+filter_size_x,:])
                y_ = y_ + stride_y
            x_ = x_ + stride_x
            
    return output_img