NNDL 作业5：卷积

目录

作业1

作业2

 一、概念

 二、探究不同卷积核的作用

三、编程实现

实现灰度图的边缘检测、锐化、模糊。（必做）

2，调整卷积核参数，测试并总结。（必做）

3，使用不同尺寸图片，测试并总结。（必做）

---

作业1

编程实现

import torch
from torch import nn
import torch as d2l
import matplotlib.pyplot as plt


def corr2d(X, K):  #@save
    """计算二维互相关运算"""
    h, w = K.shape
    Y = torch.zeros((X.shape[0] - h + 1, X.shape[1] - w + 1))
    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()
    return Y
X=torch.tensor([[255,255,255,0,0,0],
                [255,255,255,0,0,0],
                [255,255,255,0,0,0],
                [255,255,255,0,0,0],
                [255,255,255,0,0,0],
                [255,255,255,0,0,0],
                [255,255,255,0,0,0],])
K = torch.tensor([[-1.0, 1.0]])
original_tensor=corr2d(X, K)
from torchvision import transforms
unloader = transforms.ToPILImage()
image = original_tensor.cpu().clone()  # clone the tensor
image = image.squeeze(0)  # remove the fake batch dimension
image = unloader(image)

image.save('example.jpg')

 

1. 图1使用卷积核，输出特征图

2. 图1使用卷积核，输出特征图

 

3. 图2使用卷积核，输出特征图

4. 图2使用卷积核，输出特征图 

 

5. 图3使用卷积核，， ，输出特征图 

 

作业2

 一、概念

用自己的语言描述“卷积、卷积核、特征图、特征选择、步长、填充、感受野”。

 卷积是卷积核遍历图像，加权相加的总过程

卷积核是作业一种的“K”

特征图是卷积后的得到的张量

特征选择由卷积核的内容决定，提取不同的特征。

步长是指卷积核遍历图像每一次跳跃的数量。

感受野：特征图上的一个点对应输入图上的区域，如图

 二、探究不同卷积核的作用

用于识别

 

用于锐化

用于所有方向的边缘检测

模糊化图像

 

 浮雕

 不同方向的边缘检测

三、编程实现

1. 实现灰度图的边缘检测、锐化、模糊。（必做）

 

2，调整卷积核参数，测试并总结。（必做）

卷积核改为10*10形状，模糊效果变好

 ​​​

 ​​​​​​​

 

 

 总结：

不同形状，大小的卷积核可以实现不同的作用，不同的卷积内使用不同的参数也可以达到不同的效果。比如模糊化3*3的卷积核不明显就可以使用10*10的卷积核。

每种卷积核内的参数都有固定的特点。

3，使用不同尺寸图片，测试并总结。（必做）

将分辨率由1920*1200改为192*120

 

 ​​​​​​​

 总结：大尺寸的图像比小尺寸的图像边缘检测更细致，小尺寸更容易肉眼观察。

不同大小的图像的特征图有明显的差异。

在较低分辨率下可以节省大量的计算成本。

改变图像的尺寸相当于模糊化原图像。