基础概念：图片的卷积可视化结果

1. 前言

        之前介绍过卷积的基本概念，具体的可以参考图片的卷积和池化操作，这里给出可视化的操作，因为卷积在初学的时候比较抽象，现在有时间就写写看，希望可以给初学的同学一点启发吧(这里前提是学过pytorch和相关的图像处理库-opencv、pillow等，最低也要会安装库，不然代码都运行不起来)

2. 开发环境配置

        我使用的是pycharm，IDE根据自己的喜好，没有固定的要求(缺什么库，按照缺的去补，没人会手把手的教你，尽快转变思想，不要还是学生思想，工作了连指导都难)

python	3.6.9
torch	1.10.1
torchbiomed	0.0.1
torchfile	0.1.0
torchsummary	1.5.1
torchvision	0.11.2
torchviz	0.0.2
Pillow	8.4.0

3.参考代码

        相关参数的说明:

这里我只定义了一层卷积，像多用几层的，把注释去掉就行(大聪明应该都看得懂的)

(1) 这里的每一个卷积的输出和下一个卷积的输入channels要对上！！！

      比如：conv1:out_channels=9和conv2:in_channels=9要对的上，不然会报错，shape都不对了，肯定不对的，你们说呢。

(2) 那最后的out_channels要怎么定义？

    回答：随便几个都行，定义几个就几张图输出(其实就是多少个卷积核的结果)

(3)聪明的你肯定要问了，那这些卷积核怎么来的，为什么有不同的结果？

     回答：都是科研人员的经验，大多数都是验证过的参数在里面，比如有一些是提取整体特征，有一些提取边缘特征，反正不用你操心，想要深究去查资料(反正我讲不好，框架已经给你，就用吧)

    self.conv1 = nn.Conv2d(in_channels=3, out_channels=9, kernel_size=3, padding=1)
    # self.conv2 = nn.Conv2d(in_channels=9, out_channels=12, kernel_size=3, padding=1)
    # self.conv3 = nn.Conv2d(in_channels=12, out_channels=16, kernel_size=3, padding=1)

def forward(self, x):
    x = self.conv1(x)
    # x = self.conv2(x)
    # x = self.conv3(x)
    return x

import torch.nn as nn
import torchvision.transforms as transforms
from PIL import Image
import matplotlib.pyplot as plt
from pylab import *



def get_row_col(num_pic):
    squr = num_pic ** 0.5
    row = round(squr)
    col = row + 1 if squr - row > 0 else row
    return row, col



def visualize_feature_map(img_batch):
    feature_map = img_batch
    feature_map_combination = []
    plt.figure()
    num_pic = feature_map.shape[2]
    row, col = get_row_col(num_pic)
    
    for i in range(0, num_pic):
        feature_map_split = feature_map[:, :, i]
        feature_map_combination.append(feature_map_split)
        plt.subplot(row, col, i + 1)
        plt.imshow(feature_map_split)
        axis('off')
    
    plt.savefig('feature_map.png')
    # plt.show()
    

    
    
# 读取图像并转换为Tensor
def load_image(image_path):
    image = Image.open(image_path)
    transform = transforms.Compose([
        transforms.Resize((256, 256)),
        transforms.ToTensor(),
    ])
    return transform(image).unsqueeze(0)  # 增加一个维度，使其成为batch为1的数据


# 定义简单的卷积模型
class SimpleConvNet(nn.Module):
    def __init__(self):
        super(SimpleConvNet, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=9, kernel_size=3, padding=1)
        # self.conv2 = nn.Conv2d(in_channels=9, out_channels=12, kernel_size=3, padding=1)
        # self.conv3 = nn.Conv2d(in_channels=12, out_channels=16, kernel_size=3, padding=1)

    def forward(self, x):
        x = self.conv1(x)
        # x = self.conv2(x)
        # x = self.conv3(x)
        return x

# 读取图片并进行卷积变换
image_path = 'cat.jpg'  # 替换为你的图片路径'3.jpg'
input_image = load_image(image_path)

# 初始化模型并加载预训练的权重（或训练模型）
model = SimpleConvNet()

# 进行卷积变换
output_image = model(input_image)
output_image = output_image.detach().numpy()
# print(output_image.shape)
feature = output_image.reshape(output_image.shape[1:]).transpose(1, 2, 0)
# print(feature.shape)
visualize_feature_map(feature)

4. 结果展示

这里的图片你们自己换一个也可以，我这里提供两张，你们试试看

 

4.1 一层卷积的结果

  4.2 两层卷积的结果

  4.3 三层卷积的结果