深度学习_卷积

卷积

卷积（Convolution）是数学和计算机科学中的一个重要概念，特别在信号处理和图像处理中应用广泛。在信号处理领域，卷积是两个函数之间的一种数学操作，它表示两个函数的重叠部分的积分量。

在图像处理中，卷积通常用于图像滤波和特征提取。卷积操作通过将一个函数（通常是一个图像）与另一个函数（通常是一个小的滤波器或内核）进行卷积运算来生成一个新的函数（通常是一个处理后的图像）。这个滤波器或内核在输入图像上滑动，并与输入图像的局部区域进行卷积操作，从而对图像进行平滑、边缘检测、特征增强等处理。

卷积在深度学习和神经网络中也起到了重要作用。在卷积神经网络（Convolutional Neural Networks，CNNs）中，卷积层使用可学习的卷积核来提取图像的特征，从而实现图像分类、目标检测等任务。通过在网络中堆叠多个卷积层，可以逐渐提取出更加抽象和高级的特征，使网络能够对输入的图像进行更加复杂的分析和理解。

卷积在pytorch中有两种实现方式：

• torch.nn.Conv2d()
• torch.nn.functional.conv2d()

输入要求：
torch.autograd.Variable()的类型：
大小是(batch, channel, H, W)
batch------一批数据的数量
channel------输入的通道数（彩色3，灰度1，卷积网络中通道数可达几十到几百个）
H------图像的高度
W------图像的宽度

实例

图像准备：
将图像放在代码相同文件夹中

加载图像并显示

python库准备：

• numpy
• torch
• matplotlib

代码：

import numpy as np
import torch
from torch import nn
from torch.autograd import Variable
import torch.nn.functional as F
from PIL import Image
import matplotlib.pyplot as plt
im = Image.open('./cat.png').convert('L')  # 打开图像文件，并将图像转换为灰度图
im = np.array(im, dtype='float32')  # 将图像转换为numpy数组，数据类型是32位浮点数
# plt.imshow(im.astype('uint8'), cmap='gray')  # 显示，转换为无符号8位整型
# plt.show()  # 让图像窗口保持打开状态

执行代码得到小猫灰度图：

定义卷积算子进行轮廓检测：

-用 torch.nn.Conv2d()对图像进行操作：

import numpy