文章目录
- 前言
- 一、实现二维互相关和卷积层
- 二、用nn的Conv2d给定输入X和输出Y,生成核K
- 1.引入库
- 2.简单实现
- 来源
前言
在卷积层中,输入张量和核张量通过互相关运算产生输出张量。
阴影部分是第一个输出元素,以及用于计算输出的输入张量元素和核张量元素。
不同的核可以得到不同的输出。
实际上应该是交叉相关。
一、实现二维互相关和卷积层
import torch
from torch import nn
from d2l import torch as d2l
def corr2d(X, K): # X输入 K核矩阵
"""计算二维互相关运算"""
h, w = K.shape # 核矩阵行数和列数
Y = torch.zeros((X.shape[0] - h + 1, X.shape[1] - w + 1)) # Y输出矩阵
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
Y[i, j] = (X[i:i + h, j:j + w] * K).sum() # 依次进行点积求和
return Y
# 验证corr2d
# X = torch.tensor([[0.0, 1.0, 2.0], [3.0, 4.0, 5.0], [6.0, 7.0, 8.0]])
# K = torch.tensor([[0.0, 1.0], [2.0, 3.0]])
# print(corr2d(X, K))
# 卷积层(最简单的输入输出通道都为1)
# 卷积层对输入和卷积核权重进行互相关运算,并在添加标量偏置之后产生输出。
class Conv2D(nn.Module):
def __init__(self, kernel_size):
super().__init__()
self.weight = nn.Parameter(torch.rand(kernel_size)) # 初始化一个和核矩阵大小相同的权重
self.bias = nn.Parameter(torch.zeros(1))
def forward(self, x):
return corr2d(x, self.weight) + self.bias
# 卷积层的一个简单应用:通过找到像素变化的位置,来检测图像中不同颜色的边缘
# 构造一个6*8像素的黑白图像。中间四列为黑色0 其余像素为白色1
X = torch.ones((6, 8))
X[:, 2:6] = 0
# 构造一个高度为1宽度为2的卷积核K。当进行互相关运算时,如果水平相邻的两元素相同,则输出为零,否则输出为非零。
K = torch.tensor([[1.0, -1.0]]) # 只能检测垂直的边缘(因为是1*2的矩阵
# 对参数X(输入)和K(卷积核)执行互相关运算。输出Y中的1代表从白色到黑色的边缘,-1代表从黑色到白色的边缘,其他情况的输出为0
Y = corr2d(X, K)
二、用nn的Conv2d给定输入X和输出Y,生成核K
1.引入库
import torch
from torch import nn
2.简单实现
# 给定输入X和输出Y,生成K
# 构造一个二维卷积层,它具有1个输出通道和形状为(1,2)的卷积核
conv2d = nn.Conv2d(1,1, kernel_size=(1, 2), bias=False)
# 这个二维卷积层使用四维输入和输出格式(批量大小、通道、高度、宽度),
# 其中批量大小和通道数都为1
X = X.reshape((1, 1, 6, 8))
Y = Y.reshape((1, 1, 6, 7))
lr = 3e-2 # 学习率
for i in range(10): # 10次epoch
Y_hat = conv2d(X)
loss = (Y_hat - Y) ** 2
conv2d.zero_grad()
loss.sum().backward()
# 迭代卷积核
conv2d.weight.data[:] -= lr * conv2d.weight.grad # 梯度下降
if (i + 1) % 2 == 0:
print(f'epoch {i+1}, loss {loss.sum():.3f}')
print(conv2d.weight.data.reshape((1, 2)))
来源
b站 跟李沐学AI 动手学深度学习v2 19