基础概念:图片的卷积可视化结果

news2024/11/13 22:38:36

1. 前言

        之前介绍过卷积的基本概念,具体的可以参考图片的卷积和池化操作,这里给出可视化的操作,因为卷积在初学的时候比较抽象,现在有时间就写写看,希望可以给初学的同学一点启发吧(这里前提是学过pytorch和相关的图像处理库-opencv、pillow等,最低也要会安装库,不然代码都运行不起来)

2. 开发环境配置

        我使用的是pycharm,IDE根据自己的喜好,没有固定的要求(缺什么库,按照缺的去补,没人会手把手的教你,尽快转变思想,不要还是学生思想,工作了连指导都难)

python   3.6.9
torch                                         1.10.1
torchbiomed  0.0.1
torchfile  0.1.0
torchsummary   1.5.1
torchvision  0.11.2
torchviz 0.0.2
Pillow  8.4.0

3.参考代码

        相关参数的说明:

这里我只定义了一层卷积,像多用几层的,把注释去掉就行(大聪明应该都看得懂的)

(1) 这里的每一个卷积的输出和下一个卷积的输入channels要对上!!!

      比如:conv1:out_channels=9和conv2:in_channels=9要对的上,不然会报错,shape都不对了,肯定不对的,你们说呢。

(2) 那最后的out_channels要怎么定义

    回答:随便几个都行,定义几个就几张图输出(其实就是多少个卷积核的结果)

(3)聪明的你肯定要问了,那这些卷积核怎么来的,为什么有不同的结果

     回答:都是科研人员的经验,大多数都是验证过的参数在里面,比如有一些是提取整体特征,有一些提取边缘特征,反正不用你操心,想要深究去查资料(反正我讲不好,框架已经给你,就用吧)

    self.conv1 = nn.Conv2d(in_channels=3, out_channels=9, kernel_size=3, padding=1)
    # self.conv2 = nn.Conv2d(in_channels=9, out_channels=12, kernel_size=3, padding=1)
    # self.conv3 = nn.Conv2d(in_channels=12, out_channels=16, kernel_size=3, padding=1)

def forward(self, x):
    x = self.conv1(x)
    # x = self.conv2(x)
    # x = self.conv3(x)
    return x
import torch.nn as nn
import torchvision.transforms as transforms
from PIL import Image
import matplotlib.pyplot as plt
from pylab import *



def get_row_col(num_pic):
    squr = num_pic ** 0.5
    row = round(squr)
    col = row + 1 if squr - row > 0 else row
    return row, col



def visualize_feature_map(img_batch):
    feature_map = img_batch
    feature_map_combination = []
    plt.figure()
    num_pic = feature_map.shape[2]
    row, col = get_row_col(num_pic)
    
    for i in range(0, num_pic):
        feature_map_split = feature_map[:, :, i]
        feature_map_combination.append(feature_map_split)
        plt.subplot(row, col, i + 1)
        plt.imshow(feature_map_split)
        axis('off')
    
    plt.savefig('feature_map.png')
    # plt.show()
    

    
    
# 读取图像并转换为Tensor
def load_image(image_path):
    image = Image.open(image_path)
    transform = transforms.Compose([
        transforms.Resize((256, 256)),
        transforms.ToTensor(),
    ])
    return transform(image).unsqueeze(0)  # 增加一个维度,使其成为batch为1的数据


# 定义简单的卷积模型
class SimpleConvNet(nn.Module):
    def __init__(self):
        super(SimpleConvNet, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=9, kernel_size=3, padding=1)
        # self.conv2 = nn.Conv2d(in_channels=9, out_channels=12, kernel_size=3, padding=1)
        # self.conv3 = nn.Conv2d(in_channels=12, out_channels=16, kernel_size=3, padding=1)

    def forward(self, x):
        x = self.conv1(x)
        # x = self.conv2(x)
        # x = self.conv3(x)
        return x

# 读取图片并进行卷积变换
image_path = 'cat.jpg'  # 替换为你的图片路径'3.jpg'
input_image = load_image(image_path)

# 初始化模型并加载预训练的权重(或训练模型)
model = SimpleConvNet()

# 进行卷积变换
output_image = model(input_image)
output_image = output_image.detach().numpy()
# print(output_image.shape)
feature = output_image.reshape(output_image.shape[1:]).transpose(1, 2, 0)
# print(feature.shape)
visualize_feature_map(feature)

4. 结果展示

这里的图片你们自己换一个也可以,我这里提供两张,你们试试看

 

4.1 一层卷积的结果

  4.2 两层卷积的结果

  4.3 三层卷积的结果

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/818929.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

Elasticsearch和Kibana的安装及验证

金翅大鹏盖世英,展翅金鹏盖世雄。 穿云燕子锡今鸽,踏雪无痕花云平。 ---------------- 2023.7.31.101 ----------------- 本文密钥:365 Elasticsearch 是一个分布式的 RESTful 风格的搜索和数据分析引擎,常用来进行全文检索、…

分享亿款好用的PDF编辑工具

所周知,PDF文件是不能够像word/excel/ppt等文件一样,可以被随意编辑的,PDF文件往往只能够被查看,我们无法对它进行编辑,或者对上面的文字进行复制,也不能任意删除上面的页面。但是很多时候,我们…

【应用层】Http协议的学习

文章目录 前言一、了解HTTP协议是如何规定的总结 前言 http/https都是应用层协议,下面是应用层的作用: 应用层主要负责应用程序之间的沟通,如简单电子邮件传输(SMTP),文件传输协议(FTP&#x…

支付宝调试问题

网页支付返回表单不正确显示 升级前现象&#xff1a; SpringBoot 的返回给前台的<form>表单会自动提交&#xff0c;结果一直提示这个&#xff0c;而不是期望的支付宝登录页 实际得到这个&#xff1a; 期望得到这个&#xff1a; 因为沙箱账号是之前申请的&#xff0c;所…

[CrackMe]Cruehead.2.exe的逆向及注册机编写

1. 逆向工程 这个版本连一个注册界面也没有 进去一看, 他打开了一个CRACKME32.KEY, 估计里面就是放key的, 于是我随便写了一些数字进去 从CRACKME32.KEY中读取18个字节, 然后确认读取是否成功, 可见密码是18字节, 回去把密码长度改成18在重新调试 接着把key值输入CalcHash函…

AMEYA:尼得科科宝滑动型DIP开关CVS产品参数及价格​

日本电产尼得科科宝滑动型DIP开关CVS采用紧凑设计&#xff0c;3bit产品&#xff0c;旋钮把手高度为0.2mm&#xff0c;操作性良好端子为1mm间距&#xff0c;电路数丰富(2,3,4,8)端接样式为鸥翼式&#xff0c;J形引线使用树脂材料符合UL认证94V-0 符合RoHS规范。 日本电产尼得科科…

11-矩阵的运算_加减法_数乘_转置

矩阵的运算 加法&#xff0c;数乘&#xff0c;减法&#xff0c;转置 矩阵的加减 矩阵的加法就是矩阵的对应位置相加&#xff0c;减法也是一样就是对应位置相减 数乘 转置 转置的操作和向量是一样的&#xff0c;就是把 aij 变成 aji&#xff0c;把行和列互换一下 对于矩阵而…

【低代码开发】:探索应用开发的未来趋势

低代码开发&#xff1a;加速应用开发的未来趋势 引言什么是低代码以及功能特点&#xff1f;什么是低代码开发&#xff1f;低代码平台的特点和功能低代码平台的应用场景和优势低代码的优点低代码的缺点低代码平台项目开发流程选择和实施低代码平台 低代码未来的发展趋势低代码平…

vue - 【完整源码】实现评论区发表评论、回复评论、评论盖楼等功能,前端PC网站/移动端H5实现多用户评论与回复功能(详细示例源码,一键复制开箱即用)

效果图 在vue项目开发中,实现一个类似社交软件的评论区发表留言及回复等评论功能效果,可以无限回复盖楼。 一、功

视频传输网安全防护体系

在电脑、手机信息安全保护得到广泛关注和普及的今天&#xff0c;监控摄像头等设备的安全防护仍为大众所忽略&#xff0c;大量视频监控网络的前端设备和数据没有任何保护&#xff0c;完全暴露在互联网中。 前端IP接入设备与后端业务系统处于直连状态&#xff0c;一旦有攻击者或…

点播播放器如何自定义额外信息(统计信息传值)

Web播放器支持设置观众信息参数&#xff0c;设置后在播放器上报的观看日志中会附带观众信息&#xff0c;这样用户就可以通过管理后台的统计页面或服务端API来查看特定观众的视频观看情况了。 播放器设置观众信息参数的代码示例如下&#xff1a; <div id"player"…

【100天精通python】Day20:文件及目录操作_os模块和os.psth模块,文件权限修改

目录 专栏导读 1 文件的目录操作 os模块的一些操作目录函数​编辑 os.path 模块的操作目录函数 2 相对路径和绝对路径 3 路径拼接 4 判断目录是否存在 5 创建目录、删除目录、遍历目录 专栏导读 专栏订阅地址&#xff1a;https://blog.csdn.net/qq_35831906/category_12…

C++模拟操作系统睡眠机制

在系统中定义一个变量bHiberable&#xff0c;如果是3分钟内休眠&#xff0c;那么每隔3分钟检测一次这个变量&#xff0c;如果为真&#xff0c;则进入睡眠&#xff0c;如果是假&#xff0c;就把这个标志设置为真。继续等待和检测。 程序阻止操作系统休眠的办法&#xff1a;操作…

Git 一篇文章搞懂git (万字长文)

索引 一. Git初识1.提出问题2.什么是版本控制器3.git安装 二. git本地仓库基本操作1.Git本地仓库相关命令2.认识工作区&#xff0c;暂存区&#xff0c;版本库3.第一次Git追踪管理文件4.**有关于打印提交日志的命令**5.验证.git文件的指针指向6.Git管理的再理解——修改7.版本回…

shell 脚本 if 判断使用方法

例如 1&#xff1a; shell if判断条件使用-n参数的使用 if [ -n $1 ] 当str非空的时候&#xff0c;为true if [[ -n $1 ]];then app_version$1 fi $1 不管我们是否传入参数&#xff0c;都是输出app_version$1 这行&#xff0c;也就是结果一直为true 例如 2&#xff1a; net…

CASS7.0裁剪面域图形

1、打开CASS7.0&#xff0c;绘制一个线状闭合图形&#xff0c;如下&#xff1a; 2、然后填充该线状地物&#xff0c;并删除线状地物&#xff0c;仅留下填充好的面域图形。如下&#xff1a; 3、恢复面域图形的边界线&#xff08;选中面域后&#xff0c;鼠标左键双击&#xff0c;…

Pytorch基础

文章目录 一、Pytorch简介二、安装2.1 安装GPU环境2.2 安装Pytorch2.3 测试 三、Tensor3.1 Tensor创建3.1.1 torch.tensor() && torch.tensor([])3.1.2 torch.randn && torch.randperm3.1.3 torch.range(begin,end,step)3.1.4 指定numpy 3.2 Tensor运算3.2.1 A…

mysql 非definer用户如何查看存储过程定义

当我们创建存储过程时&#xff0c;如果没有显示指定definer&#xff0c;则会默认当前用户为该sp的definer&#xff0c;如果没有相关授权&#xff0c;则其他用户是看不了这个sp的。 比如用户zhenxi1拥有如下权限&#xff1a; 它拥有对dev_nacos库的查询权限&#xff0c;这个时候…

流程节点图形变化

一、背景 &#xff08;1&#xff09;流程节点为矩形&#xff0c;只有上下左右四个连接点。 &#xff08;2&#xff09;支持移动&#xff0c;放大缩小&#xff0c;连接线。 二、需求 &#xff08;1&#xff09;流程节点支持图形变化。 &#xff08;2&#xff09;支持节点边框…