numpy构建卷积网络

import cv2
#读取一张图像
img = cv2.imread('1.jpg',cv2.IMREAD_GRAYSCALE)

def conv(img, conv_filter):if len(img.shape) > 2 or len(conv_filter.shape) > 3: # Check if number of image channels matches the filter depth.if img.shape[-1] != conv_filter.shape[-1]:print("Error: Number of channels in both image and filter must match.")sys.exit()if conv_filter.shape[1] != conv_filter.shape[2]: # Check if filter dimensions are equal.print('Error: Filter must be a square matrix. I.e. number of rows and columns must match.')sys.exit()```python#卷积核一般都把size设为奇数，主要有以下两个原因：#1.保证了锚点（卷积核的中心）刚好在中间，方便以模块中心为标准进行滑动卷积。#2.保证了padding时，图像的两边依然相对称。

     if conv_filter.shape[1]%2==0: # Check if filter diemnsions are odd.print('Error: Filter must have an odd size. I.e. number of rows and columns must be odd.')sys.exit()# An empty feature map to hold the output of convolving the filter(s) with the image.feature_maps = numpy.zeros((img.shape[0]-conv_filter.shape[1]+1,img.shape[1]-conv_filter.shape[1]+1,conv_filter.shape[0]))# Convolving the image by the filter(s).for filter_num in range(conv_filter.shape[0]):print("Filter ", filter_num + 1)curr_filter = conv_filter[filter_num, :] # getting a filter from the bank."""  Checking if there are mutliple channels for the single filter. If so, then each channel will convolve the image.
.         The result of all convolutions are summed to return a single feature map. """if len(curr_filter.shape) > 2:conv_map = conv_(img[:, :, 0], curr_filter[:, :, 0]) # Array holding the sum of all feature maps.for ch_num in range(1, curr_filter.shape[-1]): # Convolving each channel with the image and summing the results.conv_map = conv_map + conv_(img[:, :, ch_num],curr_filter[:, :, ch_num])else: # There is just a single channel in the filter.conv_map = conv_(img, curr_filter)feature_maps[:, :, filter_num] = conv_map # Holding feature map with the current filter.return feature_maps # Returning all feature maps.

numpy构建卷积网络相关推荐

numpy 归一化_图卷积网络到底怎么做，这是一份极简的Numpy实现
由于图结构非常复杂且信息量很大,因此对于图的机器学习是一项艰巨的任务.本文介绍了如何使用图卷积网络(GCN)对图进行深度学习,GCN 是一种可直接作用于图并利用其结构信息的强大神经网络.本文将介绍 G ...
图卷积网络初探【GCN】
最近GCN非常火,虽然个人暂时用不到GCN,但还是简单看了下理论,感觉不是特别复杂,但是似乎实现上较为有难度,尤其是高维的图表示,先转载一篇机器之心的文章学习一下,感觉GCN主要是处理复杂的关系网络, ...
【Tensorflow】深度学习实战02——Tensorflow实现进阶的卷积网络（CIFAR-10）
[fishing-pan:https://blog.csdn.net/u013921430转载请注明出处] 前言之前使用Tensorflow实现了一个简单卷积神经网络用于手写数字识别,那是一个简单的 ...
TF之CNN：Tensorflow构建卷积神经网络CNN的简介、使用方法、应用之详细攻略
TF之CNN:Tensorflow构建卷积神经网络CNN的简介.使用方法.应用之详细攻略目录 TensorFlow 中的卷积有关函数入门 1.tf.nn.conv2d函数案例应用 1.TF之CNN ...
（刘二大人）PyTorch深度学习实践-卷积网络（Advance）
1. 1x1的卷积核的作用在width和height不变的基础上改变通道的数量减少计算量 2. GoogLeNet中Inception Module的实现 2.1 Inception块的代码实现 ...
卷积网络和卷积神经网络_CNTK-卷积神经网络
卷积网络和卷积神经网络 CNTK-卷积神经网络 (CNTK - Convolutional Neural Network) In this chapter, let us study how to c ...
LIVE 预告 | TransGAN：丢弃卷积，纯Transformer构建GAN网络
自2014年Ian J. Goodfellow等人提出以来,生成对抗网络(GAN,Generative Adversarial Networks)便迅速成为人工智能领域中最有前景的研究方向之一. 而另 ...
keras构建卷积神经网络_通过此简单教程学习在网络上构建卷积神经网络
keras构建卷积神经网络 by John David Chibuk 约翰·大卫·奇布克(John David Chibuk) 通过此简单教程学习在网络上构建卷积神经网络 (Learn to buil ...
自动调试用于移动GPU的卷积网络
自动调试用于移动GPU的卷积网络对特定设备进行自动调试对于获得最佳性能至关重要.这是有关如何调试整个卷积网络的说明文档. TVM中Mobile GPU的算子实现以模板形式编写.模板具有许多可调旋钮( ...
ARM-CPU卷积网络的自动调谐
ARM-CPU卷积网络的自动调谐为特定的ARM设备自动调谐对于获得最佳性能至关重要.这是一个关于如何调整整个卷积网络的资料. 以模板的形式编写了TVM中ARM CPU的操作实现.模板有许多可调旋钮( ...

numpy构建卷积网络

numpy构建卷积网络相关推荐

最新文章

热门文章