概述

本文通过手动实现RGB图的卷积运算过程，深刻理解卷积运算

导入模块

import tensorflow as tf
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Input,Conv2D, MaxPool2D,GlobalAveragePooling2D,BatchNormalization
from tensorflow.keras.layers import Activation
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np

读取图片

path=r"C:\Users\mym\Desktop\文件接收柜\timgxingxing.jpg"
im = Image.open(path)
img=np.array(im)
print('输入图shape：',img.shape)

转维度

img_batch = img.reshape(1,img.shape[0],img.shape[1],img.shape[2])
print('输入图shape：',img_batch.shape)

建立模型

model=Sequential()
model.add(Conv2D(1, (3, 3),input_shape=img_batch.shape[1:]))
model.summary()

运行模型

prd=model.predict(img_batch)
"""
第一维度：输入图片的数量
第二、三维度：图片高、宽
第四维度：卷积核数量
1个3通道图，即3个二维矩阵，经过1个卷积核运算后，其结果是1个二维矩阵
也就是说：3通道图运算结果与灰度图 的维度相同
"""
prd.shape

转成二维

# 转成2维
conv_result=prd.reshape(prd.shape[1:3])
conv_result.shape

查看卷积结果

conv_result

查看权重

# 查看卷积核，3通道图，也就是3个卷积核
w,b=model.layers[0].get_weights()
w.shape

转成2维矩阵

# 转成2维矩阵
w2=w.reshape(w.shape[0:3])
w2.shape

实现卷积函数

# 卷积运算
def run_conv(data,kernel,step=1):
    """
    data：要计算的图像数据
    kernel：卷积核值
    step：步长
    """
    data_w=data.shape[1]
    data_h=data.shape[0]
#     print(data_w,data_h)
#     卷积核大小
    kernel_w=kernel.shape[1]
    kernel_h=kernel.shape[0]
#     结果大小
    result_w=(data_w-kernel_w)//step+1
    result_h=(data_h-kernel_h)//step+1

#     输入数据的滑块索引
    data_w_index=0
    data_h_index=0

    result_data=np.zeros((result_h,result_w))
#     print(result_h,result_w)

    res_w_index=0
    res_h_index=0
    while (data_w_index+kernel_w)<=data_w:
        while (data_h_index+kernel_h)<=data_h:            
            img_area=data[data_h_index:data_h_index+kernel_h,data_w_index:data_w_index+kernel_w]            
            result_data[res_h_index][res_w_index]=np.sum(img_area*kernel)

            data_h_index+=step
            res_h_index+=1

        data_w_index+=step
        data_h_index=0
        res_w_index+=1
        res_h_index=0



    return result_data


my_conv=run_conv(img,w2)
my_conv.shape

运行

my_conv=run_conv(img,w2)
my_conv.shape

查看卷积结果

my_conv

查看卷积结果和手动实现结果的差

# 查看卷积结果和手动实现结果的差
for i in range(conv_result.shape[0]):
    for j in range(conv_result.shape[1]):
        if (conv_result[i,j] - my_conv[i,j]) >0.0001:
            print(i,j,">>>",conv_result[i,j],'-',my_conv[i,j],"=",conv_result[i,j]-my_conv[i,j])

原文出处：/show_1EF4Z46Qy6zS.html