人工智能作业四——卷积

最新推荐文章于 2024-09-22 22:20:05 发布

孟小起

最新推荐文章于 2024-09-22 22:20:05 发布

阅读量1k

点赞数 1

CC 4.0 BY-SA版权

文章标签：人工智能深度学习计算机视觉

本文链接：https://blog.youkuaiyun.com/mqj010321/article/details/125015282

本文详细介绍了卷积的概念，包括在数学中的定义、卷积神经网络中的应用以及卷积核的作用。卷积核作为特征提取器，通过训练学习得到，并且在多通道图像处理中，每个通道对应卷积核进行一一卷积。卷积操作的结果生成特征图，不同的卷积核用于捕捉不同的图像特征。文章还展示了卷积操作在边缘检测、锐化和模糊等图像处理任务中的代码实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、卷积概念
1.卷积：其本质上是一种互相关函数计算或者是图像处理中的空间滤波器
数学中卷积，主要是为了诸如信号处理、求两个随机变量和的分布等而定义的运算，所以需要“翻转”是根据问题的需要而确定的
卷积神经网络中“卷积”，是为了提取图像的特征，其实只借鉴了“加权求和”的特点
另外数学中的“卷积核”都是已知的或者给定的，卷积神经网络中“卷积核”本来不是给定的，是根据数据训练学习的。
2.卷积核
其实就是一个矩阵，它的作用就是提取特征，不同卷积核提取的特征不同，网络训练的目的就是提高卷积核提取特征的能力。
3.多通道
对多通道图像进行卷积需要使用与图像图像相同的卷积核进行卷积，卷积核的每个通道对应着图像中相应的通道图像，一对一卷积，最后将每个通道的卷积后图像对应位置的卷积值相加，得到一个1通道的特征图。
多通道卷积结果的通道数==卷积核数
4.特征图
卷积的到的结果就是特征图
5.特征选择
不同卷积核可用来刻画不同选择性，要根据想要提取的图像特征选择不同的卷积核。
二、代码
程序实现：

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

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] =