Pytorch 学习 - 8.卷积层_pytorch卷积层-优快云博客

本文链接：https://blog.youkuaiyun.com/chenchihwen/article/details/142899405

先掌握pytorch，学好pytorch, 才能学好人工智能

名词解释

卷积Convolution 运算

是一种常用的图像处理方法，通过卷积核在输入信号（图像）上滑动并进行乘加操作，从而实现对图像的滤波和特征提取。

卷积核

是卷积神经网络中的一个重要概念，也称为滤波器、过滤器。它可以看作是一种模式、一种特征。在卷积神经网络中，卷积核通过滑动窗口的方式与输入图像进行卷积操作，从而提取输入图像中的各种特征。

卷积核由一组权重组成，这些权重可以被学习和调整以最好地提取输入图像中的特征。例如，一个卷积核可以用来检测边缘特征，通过对输入图像进行卷积操作，可以得到一个表示图像中边缘分布情况的特征图。

卷积神经网络中通常会使用多个不同的卷积核，每个卷积核可以提取不同的特征，这些特征可以进一步用于下游任务，例如图像分类、目标检测等。通过学习合适的卷积核权重，卷积神经网络可以自动学习到适合当前任务的特征表示，从而提高模型的性能。

在卷积运算中，卷积核可以看作是一组数字，这些数字定义了一种模式或特征。卷积核的大小一般比输入信号小，并且通常是一个奇数，例如3x3、5x5等。卷积核的值决定了在卷积运算中的权重，不同的权重可以提取不同的特征。

卷积运算的过程

将卷积核的中心位置与输入信号的某个像素点对齐。
在对齐位置，将卷积核上的每个元素与对应的输入信号像素点相乘。
将所有乘积的结果相加，得到卷积运算的输出结果。
将卷积核在输入信号上滑动，重复上述操作直至覆盖完整个输入信号。

卷积运算可以用于很多图像处理任务，例如边缘检测、模糊、锐化、特征识别等。通过调整卷积核的权重和形状，可以得到不同的效果和特征提取结果。

说明

一、卷积层在卷积神经网络中的重要性

卷积层是卷积神经网络（CNN）的核心组成部分，具有以下重要作用：

特征提取：通过卷积操作自动从输入数据中学习和提取特征。不同的卷积核可以检测不同的特征，如边缘、纹理、形状等。这使得网络能够以一种高效的方式对图像、音频、文本等各种类型的数据进行处理，而无需手动设计复杂的特征提取器。
参数共享：在卷积操作中，同一卷积核在不同位置上重复使用，大大减少了模型的参数数量。这不仅降低了计算成本，还提高了模型的泛化能力，减少了过拟合的风险。
局部连接：卷积层只对输入数据的局部区域进行连接，这使得网络能够捕捉局部的模式和结构。对于图像等具有空间结构的数据，局部连接能够有效地利用空间信息，同时减少了对全局信息的依赖，提高了模型的效率和鲁棒性。

二、卷积操作的过程与步骤

二维卷积（以图像为例）：
- 输入是一个二维的图像矩阵，通常具有宽度、高度和通道数三个维度。例如，对于一张彩色图像，其输入形状可以表示为（高度，宽度，通道数）。
- 卷积核是一个较小的二维矩阵，通常具有宽度和高度两个维度，并且与输入图像的通道数相同。例如，对于一个 3x3 的卷积核，其形状可以表示为（3，3，通道数）。
- 卷积操作的过程如下：
  - 将卷积核在输入图像上逐像素移动，从左上角开始，每次移动一个像素。
  - 在每个位置上，将卷积核与输入图像对应位置的局部区域进行元素级乘法，然后将乘积相加，得到一个输出值。
  - 重复这个过程，直到卷积核遍历完整个输入图像，得到一个输出特征图。
- 输出特征图的形状取决于输入图像的形状、卷积核的大小和卷积操作的步长等因素。一般来说，输出特征图的宽度和高度会比输入图像小，通道数与卷积核的数量相同。
一维卷积（以时间序列数据为例）：
- 输入是一个一维的时间序列数据，例如音频信号或文本序列。
- 卷积核是一个较小的一维向量。
- 卷积操作的过程与二维卷积类似，将卷积核在输入数据上逐元素移动，进行元素级乘法和求和，得到输出值。
- 输出特征图是一个一维的向量，其长度取决于输入数据的长度、卷积核的大小和卷积操作的步长等因素。
三维卷积（以视频数据为例）：
- 输入是一个三维的视频数据，具有宽度、高度、时间和通道数四个维度。
- 卷积核是一个三维的矩阵，具有宽度、高度和时间三个维度，并且与输入视频的通道数相同。
- 卷积操作的过程与二维卷积类似，将卷积核在输入视频上逐体素移动，进行元素级乘法和求和，得到输出值。
- 输出特征图是一个三维的矩阵，其形状取决于输入视频的形状、卷积核的大小和卷积操作的步长等因素。

三、区分一维 / 二维 / 三维卷积

输入数据维度：
- 一维卷积的输入数据是一维的，例如时间序列数据或文本序列。
- 二维卷积的输入数据是二维的，例如图像数据。
- 三维卷积的输入数据是三维的，例如视频数据。
卷积核维度：
- 一维卷积核是一维的向量。
- 二维卷积核是二维的矩阵。
- 三维卷积核是三维的矩阵。
应用场景：
- 一维卷积通常用于处理时间序列数据或文本序列，例如音频信号处理、自然语言处理等。
- 二维卷积主要用于处理图像数据，例如图像分类、目标检测等。
- 三维卷积适用于处理视频数据，例如视频分类、动作识别等。

四、转置卷积（Transpose Convolution）的由来以及实现方法

由来：
- 在卷积神经网络中，卷积操作通常会降低输入数据的空间维度，例如通过多次卷积和池化操作，图像的尺寸会逐渐减小。然而，在一些任务中，需要将低维的特征图恢复到高维的空间，例如在图像生成、超分辨率等任务中。
- 转置卷积就是为了解决这个问题而提出的，它也被称为反卷积或逆卷积。转置卷积可以看作是卷积操作的逆过程，通过在输入特征图上进行上采样，得到一个高维的输出特征图。
实现方法：
- 转置卷积的实现方法与卷积操作类似，但是需要对卷积核进行转置。具体来说，转置卷积的过程如下：
  - 将输入特征图进行填充，通常是在边缘填充零，以增加特征图的尺寸。
  - 将转置后的卷积核在填充后的输入特征图上逐像素移动，进行元素级乘法，然后将乘积相加，得到输出值。
  - 重复这个过程，直到卷积核遍历完整个输入特征图，得到一个输出特征图。
- 输出特征图的形状取决于输入特征图的形状、卷积核的大小和转置卷积的步长等因素。一般来说，输出特征图的宽度和高度会比输入特征图大，通道数与卷积核的数量相同。

`nn.Conv2d`

一、主要参数

in_channels：输入图像的通道数。例如，对于彩色图像，通道数为 3（RGB）。
out_channels：输出特征图的通道数，即卷积核的数量。每个卷积核会生成一个独立的特征图。
kernel_size：卷积核的大小，可以是一个整数表示正方形卷积核的边长，也可以是一个元组(h, w)表示高度和宽度不同的卷积核。
stride：卷积的步长，控制卷积核在输入图像上移动的步长。默认值为 1。
padding：填充的大小，可以是一个整数表示在输入图像的四周均匀填充相同数量的像素，也可以是一个元组(pad_h, pad_w)表示在高度和宽度方向上分别填充不同数量的像素。默认值为 0。
dilation：膨胀系数，用于控制卷积核之间的间隔。默认值为 1。
groups：分组卷积的参数，控制输入和输出通道之间的连接方式。默认值为 1，表示普通卷积。
bias：是否添加偏置项。默认值为True。

二、工作原理

输入图像经过卷积层时，每个卷积核与输入图像的局部区域进行卷积操作。卷积核在输入图像上滑动，对每个局部区域进行元素级乘法和求和，得到输出特征图中的一个像素值。
不同的卷积核可以学习到不同的特征，因此输出特征图的通道数等于卷积核的数量。
通过调整卷积层的参数，可以控制输出特征图的大小、特征提取的方式以及模型的复杂度。

三、示例用法

以下是一个使用nn.Conv2d的简单示例：

import torch
import torch.nn as nn

# 创建一个随机输入图像，形状为 (batch_size, in_channels, height, width)
input_image = torch.randn(1, 3, 32, 32)

# 创建一个卷积层
conv_layer = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=1, padding=1)

# 对输入图像进行卷积操作
output = conv_layer(input_image)

print(output.shape)

在这个示例中，我们创建了一个输入图像，然后使用nn.Conv2d创建了一个卷积层，并对输入图像进行卷积操作。输出特征图的形状取决于输入图像的形状、卷积层的参数以及卷积操作的方式。

四、应用场景

nn.Conv2d广泛应用于计算机视觉任务中，如图像分类、目标检测、图像分割等。它可以自动学习图像中的特征，提取有用的信息，从而提高模型的性能。

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
BASE_DIR = os.getcwd()
import torch.nn as nn
from PIL import Image
from torchvision import transforms
from matplotlib import pyplot as plt

import random
import numpy as np



import sys
hello_pytorch_DIR = r"D:\\R report\\"
sys.path.append(hello_pytorch_DIR)

def transform_invert(img_, transform_train):
    """
    将data 进行反transfrom操作
    :param img_: tensor
    :param transform_train: torchvision.transforms
    :return: PIL image
    """
    if 'Normalize' in str(transform_train):
        norm_transform = list(filter(lambda x: isinstance(x, transforms.Normalize), transform_train.transforms))
        mean = torch.tensor(norm_transform[0].mean, dtype=img_.dtype, device=img_.device)
        std = torch.tensor(norm_transform[0].std, dtype=img_.dtype, device=img_.device)
        img_.mul_(std[:, None, None]).add_(mean[:, None, None])

    img_ = img_.transpose(0, 2).transpose(0, 1)  # C*H*W --> H*W*C
    if 'ToTensor' in str(transform_train):
        img_ = img_.detach().numpy() * 255

    if img_.shape[2] == 3:
        img_ = Image.fromarray(img_.astype('uint8')).convert('RGB')
    elif img_.shape[2] == 1:
        img_ = Image.fromarray(img_.astype('uint8').squeeze())
    else:
        raise Exception("Invalid img shape, expected 1 or 3 in axis 2, but got {}!".format(img_.shape[2]) )

    return img_


def set_seed(seed=1):
    random.seed(seed)
    np.random.seed(seed)
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)

set_seed(3)  # 设置随机种子

# ================================= load img ==================================
path_img = os.path.join(r"D:\\R report\\", "a.jpg")
img = Image.open(path_img).convert('RGB')  # 0~255



# convert to tensor
img_transform = transforms.Compose([transforms.ToTensor()])
img_tensor = img_transform(img)
img_tensor.unsqueeze_(dim=0)    # C*H*W to B*C*H*W

# ================================= create convolution layer ==================================

# ================ 2d
flag = 1
# flag = 0
if flag:
    conv_layer = nn.Conv2d(3, 1, 3)   # input:(i, o, size) weights:(o, i , h, w)
    nn.init.xavier_normal_(conv_layer.weight.data)

    # calculation
    img_conv = conv_layer(img_tensor)

# ================ transposed
# flag = 1
flag = 0
if flag:
    conv_layer = nn.ConvTranspose2d(3, 1, 3, stride=2)   # input:(i, o, size)
    nn.init.xavier_normal_(conv_layer.weight.data)

    # calculation
    img_conv = conv_layer(img_tensor)


# ================================= visualization ==================================
print("卷积前尺寸:{}\n卷积后尺寸:{}".format(img_tensor.shape, img_conv.shape))
img_conv = transform_invert(img_conv[0, 0:1, ...], img_transform)
img_raw = transform_invert(img_tensor.squeeze(), img_transform)
plt.subplot(122).imshow(img_conv, cmap='gray')
plt.subplot(121).imshow(img_raw)
plt.show()

卷积前尺寸:torch.Size([1, 3, 4096, 3072])
卷积后尺寸:torch.Size([1, 1, 4094, 3070])

以下是对这段代码的详细解释：

一、环境设置和导入模块

设置环境变量KMP_DUPLICATE_LIB_OK为TRUE，这通常用于解决在某些情况下可能出现的多线程库冲突问题。
获取当前工作目录并设置BASE_DIR。
导入必要的模块，包括torch.nn（用于构建神经网络层）、PIL（用于图像处理）、torchvision.transforms（用于图像变换）、matplotlib.pyplot（用于可视化）、random和numpy。

二、自定义函数定义

transform_invert函数：
- 这个函数的目的是将经过一系列变换后的张量转换回 PIL 图像格式。
- 如果变换中包含Normalize操作，它会根据归一化的均值和标准差对张量进行反归一化。
- 然后，将张量的维度顺序调整为H*W*C（高度、宽度、通道数）。
- 如果张量的形状在通道维度上为 3，则将其转换为 RGB 模式的 PIL 图像；如果为 1，则转换为单通道的 PIL 图像。如果通道数不符合这两种情况，则抛出异常。
set_seed函数：
- 用于设置随机种子，以确保实验的可重复性。它设置了 Python 的随机模块、NumPy 的随机生成器、PyTorch 的 CPU 和 GPU 随机生成器的种子。

三、设置随机种子

使用set_seed(3)设置随机种子为 3，确保后续的随机操作具有可重复性。

四、加载图像和进行变换

path_img指定了要加载的图像路径，使用Image.open打开图像并转换为 RGB 模式。
通过transforms.Compose创建一个图像变换对象，这里只包含了将图像转换为张量的操作。
将图像转换为张量并增加一个维度，使其形状变为B*C*H*W（批量大小、通道数、高度、宽度）。

五、创建卷积层和进行计算

根据flag的值选择创建二维卷积层或转置卷积层，并使用 Xavier 初始化方法初始化卷积层的权重。
对输入图像张量进行卷积操作，得到输出图像张量。

六、可视化结果

打印卷积前后图像张量的形状。
使用transform_invert函数将卷积后的图像张量和原始图像张量转换回可显示的图像格式。
使用matplotlib.pyplot进行可视化，将原始图像和卷积后的图像分别显示在两个子图中。