深度学习基本理论 05-卷积神经网络

卷积函数

什么是卷积

 离散卷积与多维卷积

生活中的卷积

 

 卷积神经网络

全连接神经网络

 什么是卷积神经网络

卷积神经网络的用途

 卷积运算

 

 

 

 待填充的卷积运算

 步幅为2的卷积运算

 输入输出大小计算公式

 多通道卷积

 卷积运算的效果

卷积运算的效果

 

 案例

# 图像卷积的示例
import imageio
from scipy import signal
from scipy import misc
import matplotlib.pyplot as plt
import numpy as np
import scipy.ndimage as sn

im = misc.imread("lily.png",
                 flatten=True)  # 读出来是灰度图像

flt = np.array([[-1, 0, 1],
                [-2, 0, 2],
                [-1, 0, 1]])  # 卷积核(过滤器)(对水平方向上的色彩变化比较敏感)
flt2 = np.array([[1, 2, 1],
                 [0, 0, 0],
                 [-1, -2, -1]])  # 另一个卷积核(对垂直方向上的色彩变化比较敏感)
grad = signal.convolve2d(im,  # 表示的是二维卷积运算  输入数据
                         flt,  # 卷积核
                         boundary="symm",  # 边沿处理方式
                         mode="same").astype("int32")  # 转换成整型
# same表示做同纬卷积,输入矩阵和输出矩阵的大小是一样的
grad2 = signal.convolve2d(im,  # 表示的是二维卷积运算  输入数据
                          flt2,  # 卷积核
                          boundary="symm",  # 边沿处理方式
                          mode="same").astype("int32")  # 转换成整型
# same表示做同纬卷积,输入矩阵和输出矩阵的大小是一样的
# 可视化
plt.figure("Conv2D")
plt.subplot(131)  # 第一个子图，显示原图
plt.imshow(im, cmap="gray")  # 显示原图
plt.xticks([])
plt.yticks([])  # 把刻度给去掉

plt.subplot(132)  # 第二个子图，显示卷积后的图像
plt.imshow(grad, cmap="gray")  # 显示原图
plt.xticks([])
plt.yticks([])  # 把刻度给去掉
plt.show()

plt.subplot(133)  # 第三个子图，显示filter2卷积后的图像
plt.imshow(grad2, cmap="gray")  # 显示原图
plt.xticks([])
plt.yticks([])  # 把刻度给去掉
plt.show()