精华内容
下载资源
问答
  • 多通道卷积计算过程

    千次阅读 2019-07-26 11:15:56
    多通道卷积计算过程 对于单通道图像,若利用10个卷积核进行卷积计算,可以得到10个特征图;若输入为多通道图像,则输出特征图的个数依然是卷积核的个数(10个)。 1.单通道多个卷积核卷积计算 一个卷积核得到的特征...

    多通道卷积计算过程

    对于单通道图像,若利用10个卷积核进行卷积计算,可以得到10个特征图;若输入为多通道图像,则输出特征图的个数依然是卷积核的个数(10个)。
    1.单通道多个卷积核卷积计算
    在这里插入图片描述

    一个卷积核得到的特征提取是不充分的,我们可以添加多个卷积核,比如32个卷积核,从而可以学习32种特征。

    2.多通道多个卷积核卷积计算
    图片:假设图片的宽度为width:W,高度为height:H,图片的通道数为D,一般目前都用RGB三通道D=3,为了通用性,通道数用D表示;
    卷积核:卷积核大小为KK,由于处理的图片是D通道的,因此卷积核其实也就是KKD大小的,因此,对于RGB三通道图像,在指定kernel_size的前提下,真正的卷积核大小是kernel_sizekernel_size3。
    对于D通道图像的各通道而言,是在每个通道上分别执行二维卷积,然后将D个通道加起来,得到该位置的二维卷积输出,对于RGB三通道图像而言,就是在R,G,B三个通道上分别使用对应的每个通道上的kernel_size
    kernel_size大小的核去卷积每个通道上的W*H的图像,然后将三个通道卷积得到的输出相加,得到二维卷积输出结果。因此,若有M个卷积核,可得到M个二维卷积输出结果,在有padding的情况下,能保持输出图片大小和原来的一样,因此是output(W,H,M)。
    在这里插入图片描述

    import numpy as np
    import tensorflow as tf
    
    a = np.zeros((4, 4, 3))
    a[:, :, 0] = [[1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0],
                  [1.0, 1.0, 1.0, 1.0], [1.0, 1.0, 1.0, 1.0]]
    a[:, :, 1] = [[2.0, 2.0, 2.0, 2.0], [2.0, 2.0, 2.0, 2.0],
                  [2.0, 2.0, 2.0, 2.0], [2.0, 2.0, 2.0, 2.0]]
    a[:, :, 2] = [[3.0, 3.0, 3.0, 3.0], [3.0, 3.0, 3.0, 3.0],
                  [3.0, 3.0, 3.0, 3.0], [3.0, 3.0, 3.0, 3.0]]
    a_tensor = tf.reshape(a, (1, 4, 4, 3))
    
    
    filter_ = np.array([[[[0.1, 0.1], [0.1, 0.1], [0.1, 0.1]],
                         [[0.2, 0.2], [0.2, 0.2], [0.2, 0.2]],
                         [[0.3, 0.3], [0.3, 0.3], [0.3, 0.3]]]])
    
    filter_ = np.zeros((2,2,3))
    filter_[:,:,0] = [[0.1, 0.1], [0.1, 0.1]]
    filter_[:,:,1] = [[0.2, 0.2], [0.2, 0.2]]
    filter_[:,:,2] = [[0.3, 0.3], [0.3, 0.3]]
    print(filter_.shape)
    filter_tensor = tf.reshape(filter_, (2,2,3,1))
    
    
    conv1 = tf.nn.conv2d(a_tensor, filter_tensor, strides=[1, 2, 2, 1], padding='SAME')
    
    with tf.Session() as sess:
        out = sess.run(conv1)
        print(sess.run(a_tensor)[0, :, :, 1])
        print(sess.run(filter_tensor)[:,:,0,0])
        print(out.shape)
        print(out[0,:,:,0])
    

    参考

    https://blog.csdn.net/jacke121/article/details/80188821

    展开全文
  • 精简:卷积计算过程

    2020-10-21 20:48:13
    卷积计算过程如下,假设有一个k×k×N的卷积核,通道数为N,将这个卷积核与输入图片H×H×N的每个通道对应位置相乘,再将所得的数相加,得到最后的输出结果。 卷积层的计算过程如下图所示,为单通道的卷积过程。...

    卷积计算过程如下,假设有一个k×k×N的卷积核,通道数为N,将这个卷积核与输入图片H×H×N的每个通道对应位置相乘,再将所得的数相加,得到最后的输出结果。
    在这里插入图片描述
    卷积层的计算过程如下图所示,为单通道的卷积过程。输入一张原始图像,中间是卷积核,图中显示的是卷积核的一次工作过程,计算方式就是将其对应位置的数据相乘然后相加(注意不是像矩阵乘法一样的一行乘一列):
    单通道卷积过程
    -8=0×4+0×0+0×0+0×0+1×0+1×0+0×0+1×0+2×(-4)
    对三个通道的输入图像进行卷积操作,卷积过程如下,整个计算过程和之前的单通道的卷积过程大同小异,可以将三通道的卷积过程看作三个独立的单通道卷积过程,最后将三个独立的单通道卷积过程的结果进行相加,就得到了最后的输出结果。如果输入8个卷积核,输出也为8,得到的结果就为8层。

    三通道卷积过程
    9=2×1(一通道)+1×1+2×1(二通道)+1×1+1×2(三通道)+1(偏置)

    最初输入的图片样本的channels,取决于图片类型,比如RGB三通道;
    卷积操作完成后输出的out_channels,取决于卷积核的数量。此时的out_channels也会作为下一次卷积时的卷积核的in_channels;如果是第一次做卷积,就是样本图片的 channels。

    展开全文
  • 1.卷积计算在卷积神经网络中的位置 2. 卷积计算的主要作用 3. 卷积计算过程

    1.卷积计算在神经网络中的位置

    下面我们以一个简单的例子来说明一下。
    在这里插入图片描述上面的图是自己画的一个卷积神经网络的简要过程图。卷积所在的位置就是从Input到Feature的过程。

    为什么叫做卷积神经网络呢?
    因为每一个卷积的计算都类似一个神经元,收集前面的结果,然后通过一个激活函数输出一个结果。
    在这里插入图片描述
    hwb(x)=X0W0 + X1W1 + X2W2 + 1

    该计算过程就是第一个图中从Input到Feature的一次计算。

    2. 卷积计算的主要作用

    卷积最主要的作用就是提取特征。而网络的训练主要就是找到最好的卷积的参数组合,使识别的精度最高。训练过程中通过比较当前卷积核计算出的类别与真实类别的差值来反复的修改卷积核的值,慢慢达到最佳精度。

    3. 卷积计算的过程

    整张图片可能是800x600像素大小,但是卷积核可能只有3x3大小,这就需要滑动来遍历整个的图像像素值。这就是卷积里面的stride。在计算过程中还会发现有的边计算的时候取不到,这就涉及到了padding,可以参考另一篇博客https://blog.csdn.net/itlilyer/article/details/107288176。

    下面的图是从其他文章中借鉴过来的,很清楚的描述了卷积的计算过程。
    在这里插入图片描述

    展开全文
  • 单通道图像的卷积计算过程 下面各图中所有数学符号的说明如下: n:图片的宽度和高度 n_c:表示图片的通道数 f: 过滤器的尺寸大小 m: 过滤器的数量 Q: 卷积运算后的输出图像的尺寸大小 p:所要填充的像素值,...

    0、卷积核

    1. 对于一个channel的图像,卷积计算很简单

      例如:若有10个卷积核,则卷积输出10个feature map
      一个卷积核得到的特征提取是不充分的,我们可以添加多个卷积核,比如32个卷积核,从而可以学习32种特征。

    2. 对多个channel的图像

      与单channel卷积有个共同点需要记住:有几个卷积核,就会输出几个Feature map
      简而言之,在某个卷积层中,可以有多个卷积核:下一层需要多少个feather map,本层就需要多少个卷积核

      举例:
      输入图片尺寸:高度 H ,宽度 W,图片channel C,一般使用RGB三通道。
      卷积核: 卷积核大小 K * K,由于输入图片的channel是 C,因此卷积核就是 K * K * C 大小的(C指的是卷积核的维度,不是个数)。这里需要记住,卷积核的最后一维一定跟输入图片的channel是相同的。

    对于RGB三通道图像,在指定kernel_size的前提下,真正的卷积核大小是kernel_size*kernel_size * 3。

    卷积过程:对一个卷积核kernel_size*kernel_size * 3,在各个channel上分别执行二维卷积,然后将各个channel的相加,最终得到的是一个 二维卷积结果。
    举例:对7x7x3这种RGB三通道的输入是如何卷积的?

    7x7x3的张量,卷积核W0也必须最后一维是3的张量,这里卷积核W0的单个子矩阵维度为3x3。那么卷积核W0实际上是一个3x3x3的张量。卷积过程:这里是张量的卷积,即两个张量的3个子矩阵卷积后,再把卷积的结果相加后再加上偏倚b。得到一个卷积结果。步幅Stride为2、有两个卷积核W0和W1,则卷积结果为:卷积的结果是一个3x3x2的张量(有两个卷积核)。

    一. 单通道图像的卷积计算过程

        下面各图中所有数学符号的说明如下:
        n:图片的宽度和高度
        n_c:表示图片的通道数
        f: 过滤器的尺寸大小
        m: 过滤器的数量
        Q: 卷积运算后的输出图像的尺寸大小
        p:所要填充的像素值,padding=0称为Valid Convolution;为了得到与原始输入图像相同尺寸的输出图像而加入的padding,称为Same Convolution
        s:卷积步长stride
        []:表示卷积运算后的结果是向下取整运算,如93.6经过[93.6]运算后是93
    

    Q的计算公式如下:
    在这里插入图片描述
    基本计算原理
    在这里插入图片描述动态过程:
    在这里插入图片描述
    多通道图像的卷积计算过程

    3.1 单个卷积核/过滤器(filters)的3D卷积运算

    在这里插入图片描述
    3.2 多个卷积核/过滤器(filters)的3D卷积运算
    在这里插入图片描述

    上述卷积过程关系总结

    1)卷积后得到图片的通道数n_c等于卷积过程中使用的卷积核/过滤器个数
    2)卷积后的输出图片尺寸大小根据上面的公式计算出Q

    二、1*1卷积核的作用

    单通道图片上使用1*1的卷积核
    在这里插入图片描述

    只会在原来的输入图片的像素上乘以一个系数,没有什么直接的效果

    多通道图片上使用11的卷积核
    在这里插入图片描述
    输入是6
    632的图片,经过1132的卷积核进行卷积运算后,得到的输出图片是66*卷积过程中使用的卷积核个数。这样就将输入图片的通道数32改变了,相当于给输入图片进行降维或升维操作。注:输出图片的尺寸,还是根据最开始的公式计算,即Q值的大小。

    展开全文
  • 卷积计算过程 摘要 一、全连接网络回顾 全连接 NN特点:每个神经元与前后相邻层的每一个神经元都有连接关系。(可以实现分类和预测) 全连接网络的参数个数为: 如下图所示,针对一张分辨率仅为 28 * 28...
  • 一维卷积计算过程

    千次阅读 2020-04-20 10:50:17
    目录 ...一维卷积通常有三种类型:full卷积、same卷积和valid卷积,下面以一个长度为5的一维张量I和长度为3的一维张量K(卷积核)为例,介绍这三种卷积计算过程     一维Full卷...
  • 卷积计算过程 1、引入背景 实际项目中,图片多是高分辨率彩色图,因此待优化参数过多易导致模型过拟合。 为了减少待训练参数,在实际应用时,会先对原始图像进行特征提取,再把提取到的特征送给全连接网络。 卷积...
  • 卷积计算可认为是一种有效提取图像特征的方法。 一般会用一个正方形的卷积核,按指定步长在输入特征图上滑动。 遍历输入特征图中的每个像素点。对每个步长,卷积核会与输入特征图出现重合区域,重合区域对应元素...
  • 可以看到的是参数中只指定了卷积核数量128和大小2*2,对于需要第一次卷积得到的64个feature map进行卷积,所以其实这里的128个卷积核都有64channel,每个卷积核对64个feature map 对应位置进行卷积计算
  • 卷积层图片给出了一个卷积计算过程的示例图。我花费了一些时间,才搞明白这个图片。怕以后忘了,赶快做笔记。先把图5截图如下: 按照从上到下从左到右的顺序先解释符号: 输入图的相关符号 原始图像为5x5x3,...
  • 卷积转化为小卷积:根据VGG的思想,对于大的卷积核可以转换为多个相同卷积串联的方式来减少。具体如下: 由图可以看出一个5X5的卷积核可以换成两个3X3的卷积,此时参数的个数由25变成了18(2X3X3),同理对于一...
  • 多通道卷积计算 http://blog.csdn.net/yudiemiaomiao/article/details/72466402 多通道(比如RGB三通道)卷积过程 http://blog.csdn.net/u014114990/article/details/51125776
  • 卷积计算过程(单/RGB多通道) 特征图大小计算公式 转置卷积(反卷积)计算过程 空洞卷积计算过程 卷积计算过程(单/RGB多通道) 假设输入层的大小为 5 x 5,局部感受野(或称卷积核)的大小为 3 x 3,那么...
  • 一个channel的卷积计算过程: 这是kernel的参数: 这是计算过程: 多个channel的卷积计算过程: 这是kernel的参数: 这是计算过程: 即对于输入featu...
  • 卷积神经网络卷积计算具体过程?

    万次阅读 2019-06-04 21:37:46
    对于卷积神经网络中的计算,大部分人所知道的计算如下图所示:卷积核中的各参数与图像矩阵相应位置的数值相乘后再求和。但是实际计算时图像往往是rgb图像,即图像有三...下面的验证过程就是为了搞懂卷积计算的详细过...
  • 在 C++性能优化系列——3D高斯核卷积计算(五)2D卷积计算 中,基于可分离卷积的性质,先计算x维度卷积,再将y维度卷积计算过程打乱并重组,完成了两个维度的向量化计算。本篇以先计算y维度卷积,后计算x维度卷积的...
  • 因为本人初学科学计算这一块,这两天遇到了卷积的问题,有点琢磨不透,就了解了一下卷积计算过程及使用场景,因为时间太短,这里只能写下一点点个人的心得体会,希望大家多多包函与指教。 目录一、卷积公式二、...
  • 如果你觉得某层特征提取的能力不足,可以在这一层多用几个卷积核提高这一层的特征提取能力。
  • caffe中卷积计算详解

    千次阅读 2016-11-25 18:41:10
    卷积是卷积神经网络的重要组成部分,消耗整个网络中大量计算资源,理解卷积计算过程,对优化网络结构和简化网络模型非常重要。  正常卷积的实现如下图所示:   非常重要的是:卷积核其实和特征图一样,是一...
  • 通过使用C语言实现卷积计算过程,实现对任意长度的两个序列进行卷积的求解过程并对,结果绘制出图形
  • 前言 在定制和实现卷积网络的...卷积计算过程(单 / RGB 多通道) 特征图大小计算公式 转置卷积(反卷积)的计算过程 空洞卷积的计算过程 该文章只单纯的讲解计算的细节,关于对应的原理和证明可以戳尾部的...
  • 常见卷积计算过程

    2020-05-21 15:45:41
    https://www.jianshu.com/p/2a0f3a4a9d1d
  • 多通道卷积计算

    千次阅读 2019-11-05 20:25:44
    输入特征为多通道时,卷积计算 1、一个卷积核计算过程 当输入有多个通道(channel)时(例如图片可以有 RGB 三个通道),卷积核需要拥有相同的channel数,每个卷积核 channel 与输入层的对应 channel 进行卷积,将每个 ...
  • CNN卷积具体计算过程

    千次阅读 2018-10-26 16:58:13
    卷积核)格式:同样是四个维度,但维度的含义与上面两者都不同,为:卷积核高度、卷积核宽度、输入通道数、输出通道数(卷积核个数) 输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系 卷积核的输入...
  • 1、卷积神经网络(CNN)张量(图像)的尺寸和参数计算(深度学习) 2、卷积神经网络(3)卷积计算流程 3、卷积神经网络(CNN)之一维卷积、二维卷积、三维卷积详解 4、卷积神经网络的通道数与卷积核数的关系。 ...
  • caffe 中的卷积计算过程

    千次阅读 2016-05-29 13:30:34
    最近在做实验是,发现看代码可以增加自己的认识,就最近对卷积的操作的总结 方便今后的查阅, 在卷积神经网络中,卷积算是一...下图是在一个卷积层中将卷积操作展开的具体操作过程,他里面按照卷积核的大小取数据然后展
  • 本篇按照上述描述的思路实现了可分离的二维高斯卷积计算,并在此基础上对计算的过程分解与重构,挖掘实现的并行性。 基线版二维高斯卷积 为了让运行时间更加稳定,增加函数的执行次数至1000 #define CONV2DREPT 1000...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,676
精华内容 670
关键字:

卷积计算过程