【深度学习】6-卷积过程中数据的结构变化

🚩 前言

在学习卷积神经网络时,我对于卷积过程中数据的结构变化常感困惑不解(如改变数组的维度顺序),因此在这里做一些整理。

SVPWM


图论

文章目录

卡通渲染


多通道特征图

1. 多通道的形成

通过对一张图片应用一个滤波器(卷积核)进行卷积运算,我们将得到单通道的特征图。那么通过对一张图片应用多个滤波器,就可以得到多通道的特征图。

UASRT

图片来自《深度学习入门:基于python的理论与实现》
卷积
因此,虽然我们作为输入数据的图片也有通道数,输出的特征图也有通道数,但它们其实在卷积过程中并不具有因果关系。输出特征图的通道数仅由所应用的滤波器的数量决定,而滤波器的数量是人为设定的超参数

caffe

即使输入的图片仅仅是单通道的二维数据,通过应用多个滤波器的卷积,同样可以得到多通道的特征图。特征图的不同通道之间,你可以把它们想象成核磁共振CT之间的关系(这个比喻可能不是很恰当)。

文档对象模型

在这里插入图片描述

鸿蒙

2. 相比普通的全连接层

在运用了多个滤波器时,我们会发现卷积网络层和之前多分类问题的结构很相似。实际上,有时一个滤波器就被称作一个权值

HRNet

我们可以把卷积过程的一个滤波器的输出来和多分类中的一个输出y对比,发现它们都是利用到了所有的输入数据,然后得到一个输出。不同的是,多分类问题中每个输出只是那些所有输入数据的加权和;而卷积得到的一个输出是一个矩阵(代表一个通道),矩阵的每一个元素都是局部相邻的输入数据的加权和。

LBPH

在这里插入图片描述

软件安装管家

大量局部信息的保留对于图像的识别很有帮助,可以参考长文解析Resnet50的算法原理,这篇文章使用的是比较通俗易懂的写法。

debug

卷积批处理中数据的结构

1. 卷积层的实现代码

# 用im2col来实现卷积层
class Convolution:
    def __init__(self, W, b, stride=1, pad=0):
        self.W = W
        self.b = b
        self.stride = stride
        self.pad = pad
        
    def forward(self, x):
        FN, C, FH, FW = self.W.shape
        N, C, H, W = x.shape
        out_h = int(1 + (H + 2 * self.pad - FH) / self.stride)
        out_w = int(1 + (W + 2 * self.pad - FW) / self.stride)
        
        # 输入数据横向展开,滤波器纵向展开
        col = im2col(x, FH, FW, self.stride, self.pad)
        col_W = self.W.reshape(FN, -1).T
        out = np.dot(col, col_W) + self.b
        
        out = out.reshape(N, out_h, out_w, -1).transpose(0, 3, 1, 2)
        
        return out

2. 数据的结构分析

书上通常用不同的字母以及它们的顺序,来描述多维数据的结构。例如

(

C

,

H

,

W

)

(C,H,W)

(C,H,W),其中C表示通道数,H表示高,W表示宽。但有时仍感到有些晦涩,特别是当这些维度发生交换的时候,例如代码中的out = out.reshape(N, out_h, out_w, -1).transpose(0, 3, 1, 2)一句,为什么输出应该reshape

(

N

,

H

,

W

,

C

)

(N,H,W,C)

(N,H,W,C)的形式?

任务调度

这时,我们就需要一个例子来帮助我们理解它具体的过程。下面是处理一张单通道图片的例子。(前面说了输出数据的通道数只与滤波器的数量有关,因此我们这里的输入数据是单通道还是多通道其实关系不大

qml

卷积im2col

centos安装jenkins

图中,上面是没有进行

i

m

2

c

o

l

im2col

im2col展开的卷积过程(方便直观理解),下面是进行了展开的过程(方便在计算机上实现)

游戏美术

  • reshape虽然可以改变数组的形状,但其实是受限于原来数据元素的顺序的,而只是重新进行了一次划分来改变维度。例如,

    [

    1

    ,

    2

    ,

    3

    ,

    4

    ]

    [1,2,3,4]

    [1,2,3,4]可以被重新划分为

    [

    [

    1

    ,

    2

    ]

    ,

    [

    3

    ,

    4

    ]

    ]

    [ [1,2],[3,4] ]

    [[1,2],[3,4]]而变成二维数组,但却不能被重新划分为

    [

    [

    1

    ,

    3

    ]

    ,

    [

    2

    ,

    4

    ]

    ]

    [ [1,3],[2,4] ]

    [[1,3],[2,4]]从这样的表示法来看,就是你只能改变括号,而不能改变数字的顺序)

于是在规则下,就催生了我们上面的过程来实现我们的目标。

CNN


感谢阅读

图书商城系统

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注