百度深度學習卷積運算元的應用（一）

下面介紹卷積運算元在中應用的三個案例，並觀察其計算結果。

案例1——簡單的黑白邊界檢測

下面是使用conv2d運算元完成乙個影象邊界檢測的任務。影象左邊為光亮部分，右邊為黑暗部分，需要檢測出光亮跟黑暗的分界處。

可以設定寬度方向的卷積核為[1,

0,−1

][1, 0, -1]

[1,0,−

1]，此卷積核會將寬度方向間隔為1的兩個畫素點的數值相減。當卷積核在上滑動的時候，如果它所覆蓋的畫素點位於亮度相同的區域，則左右間隔為1的兩個畫素點數值的差為0。只有當卷積核覆蓋的畫素點有的處於光亮區域，有的處在黑暗區域時，左右間隔為1的兩個點畫素值的差才不為0。將此卷積核作用到上，輸出特徵圖上只有對應黑白分界線的地方畫素值才不為0。具體**如下所示，結果輸出在下方的圖案中。

import matplotlib.pyplot as plt
import numpy as np
import paddle
import paddle.fluid as fluid
from paddle.fluid.dygraph import conv2d
from paddle.fluid.initializer import numpyarrayinitializer
%matplotlib inline
with fluid.dygraph.guard():
# 建立初始化權重引數w
w = np.array([1
,0,-
1], dtype=
'float32'
)# 將權重引數調整成維度為[cout, cin, kh, kw]的四維張量
w = w.reshape([1
,1,1
,3])
# 建立卷積運算元，設定輸出通道數，卷積核大小，和初始化權重引數
# filter_size = [1, 3]表示kh = 1, kw=3
# 建立卷積運算元的時候，通過引數屬性param_attr，指定引數初始化方式
# 這裡的初始化方式時，從numpy.ndarray初始化卷積引數
# num_channels=1輸入影象的通道數為1（表示為灰度圖）
# num_filters=1，表示只有乙個卷積核，每張都是使用相同的卷積核進行計算，
conv = conv2d(num_channels=
1, num_filters=
1, filter_size=[1
,3],
param_attr=fluid.paramattr(initializer=numpyarrayinitializer(value=w)))
# 建立輸入，左邊的畫素點取值為1，右邊的畫素點取值為0
img = np.ones([50
,50], dtype=
'float32'
) img[:,
30:]=
0.# 將形狀調整為[n, c, h, w]的形式,n輸入幾張，c的輸入通道數（灰度圖為1）
x = img.reshape([1
,1,50
,50])
# 將numpy.ndarray轉化成paddle中的tensor
x = fluid.dygraph.to_variable(x)
# 使用卷積運算元作用在輸入上
y = conv(x)
out = y.numpy(
) 
f = plt.subplot(
121)
f.set_title(
'input image'
, fontsize=15)
plt.imshow(img, cmap=
'gray'
)f = plt.subplot(
122)
f.set_title(
'output featuremap'
, fontsize=15)
# 卷積運算元conv2d輸出資料形狀為[n, c, h, w]形式
# 此處n, c=1，輸出資料形狀為[1, 1, h, w]，是4維陣列
# 但是畫圖函式plt.imshow畫灰度圖時，只接受2維陣列
# 通過numpy.squeeze函式將大小為1的維度消除
plt.imshow(out.squeeze(
), cmap=
'gray'
)plt.show(
)

執行結果

# 檢視卷積層引數
with fluid.dygraph.guard():
# 通過 conv.parameters()檢視卷積層的引數，返回值是list，包含兩個元素,乙個是權重引數，乙個是偏置引數
print
(conv.parameters())
# 檢視卷積層的權重引數名字和數值
print
(conv.parameters()[
0].name, conv.parameters()[
0].numpy())
# 參看卷積層的偏置引數名字和數值
print
(conv.parameters()[
1].name, conv.parameters()[
1].numpy(
))

列印結果

[name conv2d_0.w_0, dtype: vartype.fp32 shape: [1, 1, 1, 3] lod: {}

dim: 1, 1, 1, 3

layout: nchw

dtype: float

data: [1 0 -1]

, name conv2d_0.b_0, dtype: vartype.fp32 shape: [1] lod: {}

dim: 1

layout: nchw

dtype: float

data: [0]

]conv2d_0.w_0 [[[[ 1. 0. -1.]]]]

conv2d_0.b_0 [0.]

百度深度學習卷積運算元的應用（一）

參加百度深度學習培訓總結

百度深度學習開源平台 PaddlePaddle

參加百度深度學習峰會的雜談

百度深度學習 卷積運算元的應用（一）

參加百度深度學習培訓總結

百度深度學習開源平台 PaddlePaddle

參加百度深度學習峰會的雜談

相關推薦

百度深度學習卷積運算元的應用（一）