conv2

#include <stdio.h>
#include <stdlib.h>

// 定义矩阵大小
#define M 5  // A矩阵的行数
#define N 5  // A矩阵的列数
#define K 7  // B矩阵的大小

void conv2_same(double A[M][N], double B[K][K], double C[M][N]) {
    int i, j, m, n, iB, jB;
    int kHalf = K / 2;

    // 遍历A矩阵中的每个元素
    for (i = 0; i < M; i++) {
        for (j = 0; j < N; j++) {
            double sum = 0.0;

            // 遍历B矩阵中的每个元素
            for (m = 0; m < K; m++) {
                for (n = 0; n < K; n++) {
                    // 计算B矩阵的索引
                    iB = i + m - kHalf;
                    jB = j + n - kHalf;

                    // 检查索引是否在A矩阵的范围内
                    if (iB >= 0 && iB < M && jB >= 0 && jB < N) {
                        sum += A[iB][jB] * B[m][n];
                    }
                }
            }

            // 将卷积结果存储在C矩阵中
            C[i][j] = sum;
        }
    }
}

int main() {
    double A[M][N] = {
        {1, 2, 3, 4, 5},
        {6, 7, 8, 9, 10},
        {11, 12, 13, 14, 15},
        {16, 17, 18, 19, 20},
        {21, 22, 23, 24, 25}
    };

    double B[K][K] = {
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1}
    };

    double C[M][N];

    conv2_same(A, B, C);

    // 打印结果
    printf("卷积结果:\n");
    for (int i = 0; i < M; i++) {
        for (int j = 0; j < N; j++) {
            printf("%lf ", C[i][j]);
        }
        printf("\n");
    }

    return 0;
}
这个代码将实现二维卷积,并返回与输入矩阵A大小相同的卷积结果。需要注意的是,A和B的大小在定义时已经固定,但你可以根据需要修改大小。




确保结果和matlab一致
ChatGPT
为了确保C语言实现的卷积结果与MATLAB一致,需要仔细处理边界条件。以下是改进的C代码,确保与MATLAB的conv2(A, B, 'same')函数一致:

c
复制代码
#include <stdio.h>
#include <stdlib.h>
#include <string.h>

// 定义矩阵大小
#define M 5  // A矩阵的行数
#define N 5  // A矩阵的列数
#define K 7  // B矩阵的大小

void conv2_same(double A[M][N], double B[K][K], double C[M][N]) {
    int i, j, m, n;
    int kHalf = K / 2;

    // 初始化C矩阵为0
    memset(C, 0, sizeof(double) * M * N);

    // 遍历A矩阵中的每个元素
    for (i = 0; i < M; i++) {
        for (j = 0; j < N; j++) {
            double sum = 0.0;

            // 遍历B矩阵中的每个元素
            for (m = -kHalf; m <= kHalf; m++) {
                for (n = -kHalf; n <= kHalf; n++) {
                    int aRow = i + m;
                    int aCol = j + n;
                    int bRow = m + kHalf;
                    int bCol = n + kHalf;

                    // 检查索引是否在A矩阵的范围内
                    if (aRow >= 0 && aRow < M && aCol >= 0 && aCol < N) {
                        sum += A[aRow][aCol] * B[bRow][bCol];
                    }
                }
            }

            // 将卷积结果存储在C矩阵中
            C[i][j] = sum;
        }
    }
}

int main() {
    double A[M][N] = {
        {1, 2, 3, 4, 5},
        {6, 7, 8, 9, 10},
        {11, 12, 13, 14, 15},
        {16, 17, 18, 19, 20},
        {21, 22, 23, 24, 25}
    };

    double B[K][K] = {
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1},
        {1, 1, 1, 1, 1, 1, 1}
    };

    double C[M][N];

    conv2_same(A, B, C);

    // 打印结果
    printf("卷积结果:\n");
    for (int i = 0; i < M; i++) {
        for (int j = 0; j < N; j++) {
            printf("%lf ", C[i][j]);
        }
        printf("\n");
    }

    return 0;
}

Conv和conv2d都是用于进行卷积操作的函数或类。Conv2d是PyTorch中的一个类,用于创建卷积层。它的参数包括输入图像、卷积核、步长等,并将这些参数传递给前向通道来执行卷积操作。而conv是一个函数,通常指的是在Keras中使用的Conv1D或Conv2D函数,用于创建卷积层。它的参数包括输入图像、卷积核、步长等,并通过这些参数执行卷积操作。两者的用法和参数传递方式略有不同,因此需要注意使用时的正确写法。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [基于Keras中Conv1D和Conv2D的区别说明](https://download.csdn.net/download/weixin_38644780/12850596)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [pytorch报错整理(1):搭建卷积层时,误用Conv2d和conv2d而引发的错误](https://blog.csdn.net/qq_37382769/article/details/123367097)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [Pytorch——Conv2d、conv2d](https://blog.csdn.net/talkAC/article/details/121931058)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值