卷积神经网络（PyTorch）_pytorch 卷积

卷积

卷积在pytorch中有两种方式，一种是torch.nn.Conv2d()，一种是torch.nn.functional.conv2d()。

这两种形式的卷积对于输入的要求是一样的，首先需要输入一个torch.autograd.Variable()的类型，大小是(batch,channel,H,W),其中batch是输入的一批数据的数目，第二个是通道数，一般彩色图是3，灰度图是1，而卷积网络过程中的通道数比较大，会出现几十到几百的通道数，H和w是输入图片的高度和宽度，比如一个batch是32的图片，每张图片是3通道，高和宽是50和100，那么输入的大小就是(32,3,50,100)。

PyTorch中有函数torch.nn.Conv2d来实现卷积。

torch.nn.Conv2d(
    in_channels,    #输入的通道数
    out_channels,   #输出的通道数
    kernel_size,    #卷积核大小
    stride=1,       #卷积核移动步长
    padding=0,      #补0的多少
    dilation=1,     #kernel间距
    groups=1,       #卷积核个数
    bias=True    
)

例如：

定义一个能够检测边缘的卷积核

#使用nn.Conv2d
conv1 = nn.Conv2d(1,1,3,bias=False) #定义卷积
sobel_kernel = np.array([-1,-1,-1],[-1,8,-1],[-1,-1,-1],dtype='float32') #定义轮廓检测算子
sobel_kernel = sobel_kernel.reshape((1,1,3,3)) #重新设置成卷积网络需要的格式，输入输出1，长宽3
conv1.weight.data = torch.from_numpy(sobel_kernel)  #给卷积核赋值
 
#将检测边缘的kernel作用到图片上
edge = conv(Variable(img))  #注意图片转化Variabl

举例两种卷积方式：

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
%matplotlib inline

im = Image.open('./cat.png').convert('L') #读入一张灰度图的图片
im = np.array(im,dtype='float32')  #将其转换为一个矩阵

#可视化图片
plt.imshow(im.astype('uint8'),cmap='gray')

#将图片转化为pyorch tensor，并适配卷积输入的要求
im = torch.from_numpy(im.reshape((1,1,im.shape[0],im.shape[1])))

下面定义一个算子对其进行轮廓检测

#使用nn.Conv2d
conv1 = n.Conv2d(1,1,3,bias=False) #定义卷积
sobel_kernel = np.array([-1,-1,-1],[-1,8,-1],[-1,-1,-1],dtype='float32') #定义轮廓检测算子
#定义轮廓检测算子
sobel_kernel = sobel_kernel.reshape((1,1,3,3)) #重新设置成卷积网络需要的格式ÿ