js做网站跳转,母婴电子商务网站建设,友情链接交换方式有哪些,云企网站建设开发什么是2D卷积 2D参数量怎么计算
以pytorch为例子#xff0c;2D卷积在设置的时候具有以下参数#xff0c;具有输入通道的多少#xff08;这个决定了卷积核的通道数量#xff09;#xff0c;滤波器数量#xff0c;这个是有多少个滤波器#xff0c;越多提取的特征就越有用…什么是2D卷积 2D参数量怎么计算
以pytorch为例子2D卷积在设置的时候具有以下参数具有输入通道的多少这个决定了卷积核的通道数量滤波器数量这个是有多少个滤波器越多提取的特征就越有用kernel_size,这个是卷积核的大小相当于一个观测器的大小越大参数越大其实是越强。
import torch
import torch.nn as nn# 创建一个输入张量假设是一张3通道的4x4图像
# 输入通道数为3
input_tensor torch.randn(1, 3, 4, 4) # (batch_size, in_channels, height, width)# 创建卷积层
# 输入通道数为3输出通道数为16卷积核大小为3x3步幅为1无填充
conv_layer nn.Conv2d(in_channels3, out_channels16, kernel_size3, stride1, padding0)# 执行卷积操作
output_tensor conv_layer(input_tensor)# 查看输出张量的形状
print(输出张量的形状:, output_tensor.shape)Param # (input_channels * output_channels * kernel_height * kernel_width) output_channels
数字图像处理中的2D卷积与自己设计的2D卷积的区别
代码如下
import cv2
import numpy as np
import torch
import torch.nn as nn
import matplotlib.pyplot as plt# 创建一个随机的灰度图像
gray_image np.random.rand(64, 64) * 255 # 生成0到255之间的随机灰度值
gray_imagecv2.imread(7.jpg,0)# 将灰度图像复制到RGB通道创建彩色图像
color_image cv2.cvtColor(gray_image.astype(np.uint8), cv2.COLOR_GRAY2RGB)# 定义一个锐化卷积核
# kernel np.array([[-1, -1, -1],
# [-1, 9, -1],
# [-1, -1, -1]])/2 # 平均滤波器kernel np.array([[ 0 , 1 , 0],[ 1 ,-4 , 1],[ 0 , 1 , 0]])*128 # 平均滤波器kernel np.array([[ 1 , 1 , 1],[ 1 ,1 , 1],[ 1 , 1 , 1]])/9 # 平均滤波器 # 进行基本卷积操作、OpenCV卷积操作和锐化卷积操作
basic_result cv2.filter2D(gray_image, -1, kernel)
opencv_conv_result cv2.filter2D(gray_image, -1, kernel)
sharpened_image cv2.filter2D(gray_image, -1, kernel)# 将灰度图像转换为PyTorch张量
gray_image_tensor torch.from_numpy(gray_image).unsqueeze(0).unsqueeze(0).float() / 255.0# 创建一个卷积层使用相同的卷积核
conv2d_layer nn.Conv2d(in_channels1, out_channels1, kernel_size3, padding1, biasFalse)
conv2d_layer.weight.data torch.from_numpy(kernel).unsqueeze(0).unsqueeze(0).float()# 进行PyTorch的Conv2d卷积操作
pytorch_conv_result conv2d_layer(gray_image_tensor).squeeze().detach().numpy()# 显示原始灰度图像、基本卷积结果、OpenCV卷积结果、锐化卷积结果和PyTorch卷积结果
plt.figure(figsize(25, 5))
plt.subplot(1, 5, 1)
plt.title(Original Gray Image)
plt.imshow(gray_image, cmapgray, vmin0, vmax255)plt.subplot(1, 5, 2)
plt.title(Basic Convolution)
plt.imshow(basic_result, cmapgray, vmin0, vmax255)plt.subplot(1, 5, 3)
plt.title(OpenCV Convolution)
plt.imshow(opencv_conv_result, cmapgray, vmin0, vmax255)# plt.subplot(1, 5, 4)
# plt.title(Sharpened Gray Image)
# plt.imshow(sharpened_image, cmapgray, vmin0, vmax255)plt.subplot(1, 5, 4)
plt.title(PyTorch Convolution)
plt.imshow(pytorch_conv_result, cmapgray, vmin0, vmax1)plt.show()均值滤波结果如下 采用边缘检测算法结果如下 结果如下
从结果来看卷积似乎有些区别但是功能一致具体问题处在哪以后再尝试
