人工智能-作业4：CNN - 卷积

卷积、卷积核、多通道、特征图、特征选择

卷积

卷积其实就是提取图像特征的一个方法，具体描述起来是：将可能不止一个图像分成若干个像素点，通过将卷积核与图像点上的像素灰度值相乘，依次相乘之后得到可能不止一个新的矩阵，将这些矩阵相加称为降维，最后得到一个新的矩阵。

卷积核

就是上图中间那个矩阵，用来选择提取的特征的趋向，根据想要的不同结果改变矩阵中各个元素的值。

多通道、特征图

多通道就是上图中最左侧的矩阵，如果有一个以上，同时进行，那么就是多通道。
也可以看下图，三通道该如何进行：
每个通道跟一个卷积核（这里将卷积核=过滤器）做卷积运算，结果相加后得到一个特征图（所以特征图就是上图的第三个矩阵，下图的倒数第二矩阵）

特征选择

实际上这块不是很懂，去查了一下，有人定义为特征选择后的特征是原来特征的一个子集，还有人说是试图去减少特征数据集中的属性(或者称为特征)的数目，通过属性间的关系，如组合不同的属性得到新的属性，改变原来的特征空间。当这样对每一维进行处理之后，也达到了降维的效果。其实用在卷积这里应该就是通过卷积核对原图像进行处理，在这里相当于filter。
Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。特征选择过程与后续学习器无关，先用特征选择过程对特征进行“过滤”，再用过滤后的特征来训练模型。根据相关性值排序

不同卷积核的作用

锐化

这种卷积核会让中心值与周围的值的差距变得更大，从而达到对比度增大的效果，本来图像的边缘处中心值就和其他值对比度大，经过这样的卷积之后会变得更加明显，也就达到了图像锐化的效果。

模糊

个人理解，这样计算可以把中心值和周围其他值的均等比例平衡，把中心值趋向于其他值，使中心值相对于周围的值之间的差别（对比度）没有那么大，这样就会达到模糊的效果。

边缘检测

这个也叫梯度，其实也是一种锐化方法，只是反过来了，让中心点变得暗，而让边缘的，差别较大的地方变得更加亮，从而达到对比度大的边缘检测的效果。

编程实现

import numpy as np
import torch
from torch import nn
from torch.autograd import Variable
from PIL import Image
import matplotlib.pyplot as plt
 
plt.rcParams['font.sans-serif'] = ['SimHei'