为什么菜市场不可以做网站,河南阿里巴巴网站建设,极简建站,广州市行政区划图卷积操作与自定义算子开发
卷积是卷积神经网络中的基本操作#xff0c;对于图像的特征提取有着关键的作用#xff0c;本文首先介绍卷积的基本原理与作用#xff0c;然后通过编写程序实现卷积操作#xff0c;并展示了均值、高斯与sobel等几种经典卷积核的卷积效果#xff…卷积操作与自定义算子开发
卷积是卷积神经网络中的基本操作对于图像的特征提取有着关键的作用本文首先介绍卷积的基本原理与作用然后通过编写程序实现卷积操作并展示了均值、高斯与sobel等几种经典卷积核的卷积效果接着调用MindSpore中的卷积算子Conv2d来实现卷积操作最后介绍了MindSpore中pyfunc和TBE两种自定义算子实现方法。
卷积基本原理
1.1 卷积的概念 卷积操作发展于信号处理领域主要用于削弱原始信号中混入的噪声典型的应用场景还有对于某个线性时不变的系统给定输入信号和系统响应来求系统的输出。 卷积操作引入到深度学习领域后卷积神经网络得到了极大的发展卷积核中的所有权重都是随机初始化而不是一开始确定的网络每次更新法代都是为了寻找一个最会活的卷积核权重值。 卷积与互相关有着千丝万缕的关系对于二维卷积而言将卷积核左右翻转、上下翻转再将其与输入图片进行互相关运算与直接卷积运算在输出结果上是等价的目前各个深度学习框架的卷积层的API对于卷积运算的实现使用的是互相关运算。
1.2 卷积的计算过程 二维卷积操作相当于将卷积核作为一个滑动窗口将其在输入张量上从左至右、从上至下地滑动每滑动一下便将卷积核与其相应位置计算出一个加权系数作为输出张量对应位置上的像素值其计算过程为将输入的张量与卷积核进行卷积操作得到输出矩阵并将其返回。 步长为1的卷积过程如下图所示: 1.3 卷积的参数 卷积的参数有步长stride、填充pad、卷积核大小、深度、数量等等。其中:
步长表示卷积核在输入张量上每次滑动的步距通过设置大于1的步长可以减少输出张量的大小。填充表示在输入张量的周围填补行或列的多少卷积核的深度与输入张量的深度相同卷积核的数量决定了输出张量的深度
1.4 输出图片大小的计算公式
输出图片大小的计算如下: 其中: resh、resw为输出图片的高度与宽度 datah、dataw为输入图片的高度与宽度 padh、padw为高度与宽度方向上的补边 filterh、filterw为卷积核的高度与宽度 strideh、stridew为高度与宽度方向上的步长
1.5 卷积的作用 卷积操作可以实现数据降维、特征提取等任务通过设置不同的步长、补边与卷积核大小等参数能够提取到图像不同的特征完成不同的图像处理任务。 在图像处理中卷积核也称为滤波器如常用的均值滤波与高斯滤波能够起到图像平滑和锐化的效果而sobel算子和Laplace算子对于图像的边缘检测有较好的效果。
