卷积在pytorch中有两种实现,一种是torch.nn.Conv2d(),一种是torch.nn.functional.conv2d(),这两种方式本质都是执行卷积操作,对输入的要求也是一样的,首先需要输入的是一个torch.autograd.Variable()的类型,大小是(批处理、通道,H, W),其中批表示输入的一批数据的数目,频道表示输入的通道数。
一般一张彩色的图片是3,灰度图片是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表示输入图片的高度和宽度,比如一个批处理是32张图片,每张图片是3通道,高和宽分别是50和100,那么输入的大小就是(32,50100)。
<>强如下代码是卷积执行soble边缘检测算子的实现:
进口火炬
进口numpy np
从火炬导入神经网络
从公益诉讼导入图像
从火炬。autograd导入变量
进口torch.nn。功能和F
def nn_conv2d (im):
#用nn.Conv2d定义卷积操作
conv_op=nn。Conv2d(1, 1, 3,偏见=False)
#定义sobel算子参数
sobel_kernel=np。阵列([[1,1,1],[1 8 1],[1,1,1]],dtype=癴loat32”)
#将sobel算子转换为适配卷积操作的卷积核
sobel_kernel=sobel_kernel。重塑((1,1,3,3))
#给卷积操作的卷积核赋值
conv_op.weight。data=https://www.yisu.com/zixun/torch.from_numpy (sobel_kernel)
#对图像进行卷积操作
edge_detect=conv_op(变量(im))
#将输出转换为图片格式
.numpy .detach edge_detect=edge_detect.squeeze () () ()
返回edge_detect
def functional_conv2d (im):
sobel_kernel=np。阵列([[1,1,1],[1 8 1],[1,1,1]],dtype=float32) #
sobel_kernel=sobel_kernel。重塑((1,1,3,3))
重量=变量(torch.from_numpy (sobel_kernel))
edge_detect=F.conv2d(变量(im),重量)
.numpy .detach edge_detect=edge_detect.squeeze () () ()
返回edge_detect
def main ():
#读入一张图片,并转换为灰度图
我=Image.open (“。/cat.jpg”) .convert (“L”)
#将图片数据转换为矩阵
我=np。数组(im, dtype=癴loat32”)
#将图片矩阵转换为pytorch张量,并适配卷积输入的要求
我=torch.from_numpy (im.reshape ((1, 1, im。形状[0],im.shape [1])))
#边缘检测操作
# edge_detect=nn_conv2d (im)
edge_detect=functional_conv2d (im)
#将数组数据转换为形象
我=Image.fromarray (edge_detect)
#图像数据转换为灰度模式
我=im.convert (L)
#保存图片
im.save (“edge.jpg”、质量=95)
if __name__==癬_main__”:
main ()
之前
原图片:cat.jpg
结果图片:edge.jpg
以上这篇Pytorch实现sobel算子的卷积操作详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
