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
-
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。