神经网络卷积操作

 

 卷积神经网络
什么是卷积：卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。
卷积的作用：通过卷积运算，可以使原信号特征增强，并且降低噪音。
卷积层：主要作用是进行特征提取
池化层：没有参数。主要作用是减小特征图，起到降维的作用。常用的方法是选取局部区域的最大值或者平均值。
通道：一个特征对应一个通道（或者叫特征图或特征映射），如RGB（三个通道）。当前层的特征映射是上一层特征映射的组合，也就是一个特征映射会对应上一层的一个或者多个特征映射。
卷积神经网络：是一个多层的神经网络，每层由多个二维平面(特征映射)组成，而每个平面由多个独立神经元组成。是前馈型网络。它对二维形状的平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。
CNN的关键操作：输入图像->卷积(滤波操作)->使用激活函数（如sigmoid，ReLu）->池化(如平均池化、最大池化)->特征图

官方网址：torch.nn — PyTorch 1.11.0 documentation

这里看一下CONV2D 点击CONV2D ，里面有相关的介绍，以及如何使用，在左边的torch.nn.function打开看看

其中TORCH.NN.FUNCTIONAL.CONV2D的相关参数是

input:输入

weight：权重（卷积核）

bias：偏置

strid：步径（卷积核下一次计算移动的步径）

padding:

 可以通过下面代码实现

import torch
import torch.nn.functional as F
input=torch.tensor([[1,2,0,3,1],
                    [0,1,2,3,1],
                    [1,2,1,0,0],
                    [5,2,3,1,1],
                    [2,1,0,1,1]
                    ]) # 二维矩阵
kernel=torch.tensor([[1,2,1],
                     [0,1,0],
                     [2,1,0]]) # 卷积核

#尺寸变换
input = torch.reshape(input,(1,1,5,5))
kernel = torch.reshape(kernel,(1,1,3,3))
print(input.shape)
print((kernel.shape))
# 这里的input，kernel的尺寸 不满足官网文件要求的尺寸 所以要进行尺寸变换


#卷积函数(移动路径为1)
output=F.conv2d(input,kernel,stride=1)
print(output)
#卷积函数(移动路径为2)
output2=F.conv2d(input,kernel,stride=2)
print(output2)

padding：输入图像左右两边会进行填充（padH，padW）默认为0不进行填充

 填充的地方默认都是设为0的

output3=F.conv2d(input,kernel,stride=1,padding=1)
print(output3)

输出结果为