标签：5.1 输出 卷积 self shape 二维 数组 输入

二维卷积层

卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络

二维互相关运算

通常在卷积层中使用更加直观的互相关（cross-correlation）运算,在二维卷积层中，一个二维输入数组和一个二维核（kernel）数组通过互相关运算输出一个二维数组.核数组在卷积计算中又称卷积核或过滤器（filter）卷积核窗口（又称卷积窗口）的形状取决于卷积核的高和宽.在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。
将上述过程实现在corr2d函数里。它接受输入数组X与核数组K，并输出数组Y

from mxnet import autograd, nd
from mxnet.gluon import nn

def corr2d(X, K):  # 本函数已保存在d2lzh包中方便以后使用
    # 核数组的长宽
    h, w = K.shape
    # 输出置0，同时计算出输出数组Y的长宽
    Y = nd.zeros((X.shape[0] - h + 1, X.shape[1] - w + 1))
    #枚举Y的长宽
    for i in range(Y.shape[0]):
        for j in range(Y.shape[1]):
            #依次计算X*K再求和
            Y[i, j] = (X[i: i + h, j: j + w] * K).sum()
    return Y

二维卷积层

二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏差来得到输出。卷积层的模型参数包括了卷积核和标量偏差。在训练模型的时候，通常我们先对卷积核随机初始化，然后不断迭代卷积核和偏差。

#Con2D类继承Block类
class Conv2D(nn.Block):
    def __init__(self, kernel_size, **kwargs):
        super(Conv2D, self).__init__(**kwargs)
        #使用get函数获得param实例,shape=初始化的卷积shape
        self.weight = self.params.get('weight', shape=kernel_size)
        #使用get函数获得param实例，shape=(1,)
        self.bias = self.params.get('bias', shape=(1,))

    def forward(self, x):
        #卷积计算
        return corr2d(x, self.weight.data()) + self.bias.data()

卷积窗口形状为\(p \times q\)的卷积层称为\(p \times q\)卷积层。同样，\(p \times q\)卷积或\(p \times q\)卷积核说明卷积核的高和宽分别为\(p\)和\(q\)。

图像中物体边缘检测

一个卷积层的简单应用：检测图像中物体的边缘，即找到像素变化的位置.构造一张\(6\times 8\)的图像（即高和宽分别为6像素和8像素的图像）。它中间\(4\)列为黑（\(0\)），其余为白（\(1\)）

X = nd.ones((6, 8))
X[:, 2:6] = 0
X
#output:
[[1. 1. 0. 0. 0. 0. 1. 1.]
 [1. 1. 0. 0. 0. 0. 1. 1.]
 [1. 1. 0. 0. 0. 0. 1. 1.]
 [1. 1. 0. 0. 0. 0. 1. 1.]
 [1. 1. 0. 0. 0. 0. 1. 1.]
 [1. 1. 0. 0. 0. 0. 1. 1.]]
<NDArray 6x8 @cpu(0)>

构造一个高和宽分别为\(1\)和\(2\)的卷积核\(K\)。当它与输入做互相关运算时，如果横向相邻元素相同，输出为\(0\)；否则输出为非\(0\)

K = nd.array([[1, -1]])

输入X和我们设计的卷积核K做互相关运算.将从白到黑的边缘和从黑到白的边缘分别检测成了1和-1。其余部分的输出全是0

Y = corr2d(X, K)
Y
#output
[[ 0.  1.  0.  0.  0. -1.  0.]
 [ 0.  1.  0.  0.  0. -1.  0.]
 [ 0.  1.  0.  0.  0. -1.  0.]
 [ 0.  1.  0.  0.  0. -1.  0.]
 [ 0.  1.  0.  0.  0. -1.  0.]
 [ 0.  1.  0.  0.  0. -1.  0.]]
<NDArray 6x7 @cpu(0)>

通过数据学习核数组

使用物体边缘检测中的输入数据X和输出数据Y来学习我们构造的核数组K
首先构造一个卷积层，将其卷积核初始化成随机数组。接下来在每一次迭代中，我们使用平方误差来比较Y和卷积层的输出，然后计算梯度来更新权重.简单起见，这里的卷积层忽略了偏差
使用Gluon提供的Conv2D类来实现这个例子:

# 构造一个输出通道数为1（将在“多输入通道和多输出通道”一节介绍通道），核数组形状是(1, 2)的二
# 维卷积层
conv2d = nn.Conv2D(1, kernel_size=(1, 2))
#初始化权重参数
conv2d.initialize()

# 二维卷积层使用4维输入输出，格式为(样本, 通道, 高, 宽)，这里批量大小（批量中的样本数）和通
# 道数均为1
#重新reshape
X = X.reshape((1, 1, 6, 8))
Y = Y.reshape((1, 1, 6, 7))
#迭代十次
for i in range(10):
    with autograd.record():
        #将卷积层应用在X上计算出预测值
        Y_hat = conv2d(X)
        #计算出平方损失
        l = (Y_hat - Y) ** 2
    l.backward()
    # 简单起见，这里忽略了偏差
    # 利用梯度迭代
    conv2d.weight.data()[:] -= 3e-2 * conv2d.weight.grad()
    if (i + 1) % 2 == 0:
        print('batch %d, loss %.3f' % (i + 1, l.sum().asscalar()))

互相关运算和卷积运算

有点没看懂

特征图和感受野

二维卷积层输出的二维数组可以看作输入在空间维度（宽和高）上某一级的表征，也叫特征图（feature map）
影响元素\(x\)的前向计算的所有可能输入区域（可能大于输入的实际尺寸）叫做\(x\)的感受野（receptive field）
经过卷积层的特征提取之后，新生成的元素的感受野是原输入数组的部分元素

标签：5.1,输出,卷积,self,shape,二维,数组,输入
来源： https://www.cnblogs.com/strategist-614/p/14421654.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。