本文详细介绍了3D机器学习中的关键概念，包括滤镜的作用，卷积运算的原理，以及池化和批量标准化在图像处理中的应用。通过实例展示了不同滤镜对图像的影响，如锐化、模糊和边缘提取。讨论了卷积层的参数设置，如步长、填充和多通道卷积。此外，还探讨了池化方法，如最大池化和平均池化，以及ReLU函数的作用。最后，阐述了BatchNorm批量标准化的重要性，它有助于加快网络收敛速度，提高最优解质量，并使网络结构更稳定。
额外话：Pytorch中，小写是函数，大写是类。
滤镜
卷积运算 =∑同尺寸的2个矩阵中同一位置元素相乘，输出为一个数。
在图片处理里面，给图片加上不同的效果，就是使用的卷积核运算。
比如下面的 “锐化图像”，使用的锐化卷积核，周围的-1和核中间的5可以降低某个像素周边的颜色强度但增加其本身的颜色强度，因此显得很突出。
但是在模糊处理这个滤镜下，就可以使用另一个周边与核心都等于1的模糊卷积核处理，使得扫过的像素本身不变，但是周边的颜色强度与其趋于一致。
下图观察边缘提取滤镜，使用的是边缘提取卷积核，我也不知道该怎么解释。
卷积
如上图所示，
- 蓝网网格：输入图像，imput_size=5*5
- 灰色网格：卷积核，Kernel=3*3, 或是叫Filter滤波器，也叫做weight权重。
- 绿色网格：输出图像，output_size=5*5
- 移动步长：Stride=1
- 加边框：Padding=1
- 输出的图像size可以根据下面公式计算得到。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
