将卷积结果输出成图片、 将随机生成的张量当成图片输出

1.导入所需的包

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.__version__

'3.4.1'

如果matplotlib版本较低的话（比如3.2.2），在执行的时候jupyter 内核会中断，我也不知道为什么，找了好久才找到是这个原因

2.用matplotlib读取本地图片

用python打开本地图片的方式有很多，此处用matplotlib

image = np.array(plt.imread('data/deeplearningail1w2/dog1.jpg'))
plt.imshow(image) 

image.shape

(690, 461, 3)

所以我们要输入的图片的通道需要在最后一个维度

3.将随机生成的张量当成图片输出

以下是随机生成一张图片的例子

image = np.random.randint(0,255,(16,16,3))
plt.imshow(image)

随机生成的张量，所以生成的是一张马赛克似的图片，倒是情理之中

4.新建一个简单的卷积网络

net = nn.Sequential(
            nn.Conv2d(3,16,3),
            nn.Conv2d(16,32,3),
            nn.Conv2d(32,16,3),
            nn.Conv2d(16,3,3)
)

就随便叠了几个卷积层

5.将图片输入进网络

将我们的图片输入进去，但是只有一张图片，需要将它按以下要求处理一下：

• x是一个张量
• x的维度是这样的：(sample_num, channels, height, width)

所以需要先将x转换成张量，并增加第0个维度，然后将通道维度换到第一个维度上

x = np.array(plt.imread('data/deeplearningail1w2/dog1.jpg'))
x.shape

(690, 461, 3)

x = torch.from_numpy(x)	# 转换成张量
x = x.float() # 将它的数据类型转换成float32
x = x.permute(2,0,1) # 交换它的维度
x = x.unsqueeze(0) # 增加第0个维度

x.shape

torch.Size([1, 3, 690, 461])

上面是变换后的维度，然后输入到刚定义的网络里

y = net(x)
print(y.shape)

torch.Size([1, 3, 682, 453])

如果想要把y当做图片输出，需要将y的输出通道数移到最后面

y = y.permute([0,2,3,1])

变换成的shape如下

y.shape

torch.Size([1, 682, 453, 3])

因为经过网络过后的输出值是带有梯度的，所以只取它的data部分，

plt.imshow(np.array(y[0].data))

6.用随机生成的张量输入进网络

x = torch.randn(5,3,64,64) 		# samples, channels, height, width
y = net(x)
print(y.shape)

输出的维度如下

torch.Size([5, 3, 56, 56])

通道还是要提到最后面

y = y.permute([0,2,3,1])
y.shape

torch.Size([5, 56, 56, 3])

将输出的y输出成图片

plt.figure(dpi=100)
ax = plt.subplot(231)
for i,img in enumerate(y):
    ax = plt.subplot(3, 3, i+1)
    ax.imshow(img.data)
    ax.set_xticks([])
    ax.set_yticks([])
plt.show()