tf.nn.conv2d卷积函数之图片轮廓提取

一.tensorflow中二维卷积函数的参数含义：
def conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_format="NHWC", dilations=[1, 1, 1, 1], name=None)
卷积操作函数：
input：需要做卷积操作的图片；四维tensor张量，类型float32或float64；[batch,in_height,in_width,in_channels]形状（shape）：batch训练时一个batch的图片数量，in_height图片高度，in_width图片宽度，in_channels图像通道数
filter：CNN中的卷积核（滤波器），四维tensor张张量，[filter_height,filter_width,in_channels,out_channels]形状（shape）：卷积核高度，卷积核宽度，图像通道数，卷积核个数。
strides：卷积时图像每一维的步长。一维向量长度为4   如[1,1,1,1]
padding:决定是否补充0，SAME：填充到滤波器能够到达图像的边缘  VALID：边缘不填充
use_cudnn_on_gpu:bool类型，是否使用cudn加速，默认加速
返回值：featuremap特征图片（tensor张量）

input：输入的图片  如：[1,5,5,1]下图

filter：卷积核或滤波器

strides：步长（注意：图像每一维的步长，input是四维tensor，strides=[1,1,1,1]表示每一维的步长）

padding：padding=‘SAME’补0 当padding='VALID'不补充0

返回值：featuremap特征图片

二.卷积函数的简单实例

import tensorflow as tf

image = [0,1.0,1,2,2,0,1,1,0,0,1,1,0,1,0,1,0,1,1,1,0,2,0,1,0] ##注意：数据类型为float32或float64不能是int，其中需有一个1.0

input = tf.Variable(tf.constant(image,shape=[1,5,5,1]))  ###输入一个5*5的图像矩阵

fil1 = [-1.0,0,1,-2,0,2,-1,0,1]                          ##注意：数据类型为float32或float64不能是int，其中需有一个1.0

filter = tf.Variable(tf.constant(fil1,shape=[3,3,1,1]))  ###定义卷积核（滤波器）

op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='SAME')  ##一个通道输入，输出一个featuremap

init = tf.global_variables_initializer()

with tf.Session() as  sess:

    sess.run(init)

    print('input:\n', sess.run(input))

    print('op:\n',sess.run(op))

##输出结果

'''

input:

 [[[[ 0.]

   [ 1.]

   [ 1.]

   [ 2.]

   [ 2.]]

  [[ 0.]

   [ 1.]

   [ 1.]

   [ 0.]

   [ 0.]]

  [[ 1.]

   [ 1.]

   [ 0.]

   [ 1.]

   [ 0.]]

  [[ 1.]

   [ 0.]

   [ 1.]

   [ 1.]

   [ 1.]]

  [[ 0.]

   [ 2.]

   [ 0.]

   [ 1.]

   [ 0.]]]]

op:

 [[[[ 3.]

   [ 3.]

   [ 1.]

   [ 1.]

   [-4.]]

  [[ 4.]

   [ 2.]

   [-1.]

   [-1.]

   [-3.]]

  [[ 3.]

   [-1.]

   [ 0.]

   [-1.]

   [-3.]]

  [[ 3.]

   [-1.]

   [ 1.]

   [ 0.]

   [-4.]]

  [[ 4.]

   [ 0.]

   [-1.]

   [ 0.]

   [-3.]]]]

'''

图示卷积过程tf实现

结果一致：

总结：

1.数据类型 input 和 filter的数据类型都只能是float32 或 float64

2.strides步长：是指输入数据的每一个维度的步长，输入数据是4维tensor 所以步长[1,1,1,1]（一维tensor，长度4）才是和图示步长一致。

3.卷积的实现过程：

红色区域与蓝色区域对应位置的值相乘，之后所有乘积累加

0*（-1）+0*0+0*1+0*（-2）+0*0+1*2+0*（-1）+0*0+1*1=3

注意：对应位置相乘后累加（内积），而不是矩阵乘法

4.padding的规则：

　　padding=‘VALID’时，边缘不填充。输出的featuremap的高宽

　　output_width = (in_width-filter_width+1)/strides_width 输出featuremap对的宽度=（输入图片的宽度-卷积核的宽度）/步长宽度【向上取整：当步长>1时，有可能取值不为整数】

　　output_height = (in_height-filter_height+1)/strides_height 输出featuremap对的高度=（输入图片的高度-卷积核的高度）/步长高度【向上取整】　　

　　padding=‘SAME’时的补0的规则。这个很容易理解：补了0的矩阵计算规则一样，用上面的公式（output_width = (in_width-filter_width+1)/strides_width）可以反推得到in_width这时得到的是补了0的矩阵宽度减去实际的输入矩阵宽度，就是多出来的（补0的宽度）。

　　pad_width = max((out_width-1)*trides_width+filter_width-in_width,0) ##为什么要和0比大小呢？因为小于等于0都是没有补0的情况。

三.卷积操作的参数组合

输入图片：灰度图是1通道输出，彩色图片3通道（RGB 红绿蓝）

卷积核：A.1通道灰度图1个卷积核----1个featuremap输出

　　　　B.1通道灰度图2个卷积核----2个featuremap输出

　　　　C.3通道彩色图1组（3个卷积核）----1组（3个featuremap）----对应位置相加-----1个featuremap输出

　　　　D.3通道彩色图2组（6个卷积核）----2组（6个featuremap）----每组对应位置相加----2个featuremap输出

步长和补0：均适用于ABCD等情况

　　　　这里引用一张gif图片（来自博客：https://www.cnblogs.com/duanhx/p/9655223.html）

在tensorflow中实现ABCD四种情况的卷积操作：

import tensorflow as tf

image = [0,1.0,1,2,2,0,1,1,0,0,1,1,0,1,0,1,0,1,1,1,0,2,0,1,0]

input = tf.Variable(tf.constant(image,shape=[1,5,5,1]))  ##1通道输入

fil1 = [-1.0,0,1,-2,0,2,-1,0,1]

filter = tf.Variable(tf.constant(fil1,shape=[3,3,1,1]))  ##1个卷积核对应1个featuremap输出

op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='SAME')  ##SAME补0操作

init = tf.global_variables_initializer()

with tf.Session() as  sess:

    sess.run(init)

    print('input:\n', sess.run(input))

    print('filter:\n', sess.run(filter))

    print('op:\n',sess.run(op))

##输出结果

'''

input:

 [[[[ 0.]

   [ 1.]

   [ 1.]

   [ 2.]

   [ 2.]]

  [[ 0.]

   [ 1.]

   [ 1.]

   [ 0.]

   [ 0.]]

  [[ 1.]

   [ 1.]

   [ 0.]

   [ 1.]

   [ 0.]]

  [[ 1.]

   [ 0.]

   [ 1.]

   [ 1.]

   [ 1.]]

  [[ 0.]

   [ 2.]

   [ 0.]

   [ 1.]

   [ 0.]]]]

filter:

 [[[[-1.]]

  [[ 0.]]

  [[ 1.]]]

 [[[-2.]]

  [[ 0.]]

  [[ 2.]]]

 [[[-1.]]

  [[ 0.]]

  [[ 1.]]]]

op:

 [[[[ 3.]

   [ 3.]

   [ 1.]

   [ 1.]

   [-4.]]

  [[ 4.]

   [ 2.]

   [-1.]

   [-1.]

   [-3.]]

  [[ 3.]

   [-1.]

   [ 0.]

   [-1.]

   [-3.]]

  [[ 3.]

   [-1.]

   [ 1.]

   [ 0.]

   [-4.]]

  [[ 4.]

   [ 0.]

   [-1.]

   [ 0.]

   [-3.]]]]

'''

A.1通道输入1个卷积核1个featuremap输出

import tensorflow as tf

image = [0,1.0,1,2,2,0,1,1,0,0,1,1,0,1,0,1,0,1,1,1,0,2,0,1,0]

input = tf.Variable(tf.constant(image,shape=[1,5,5,1]))  ##1通道输入

fil1 = [-1.0,0,1,-2,0,2,-1,0,1,-1.0,0,1,-2,0,2,-1,0,1]

filter = tf.Variable(tf.constant(fil1,shape=[3,3,1,2]))  ##2个卷积核对应2个featuremap输出

op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='SAME')

init = tf.global_variables_initializer()

with tf.Session() as  sess:

    sess.run(init)

    print('input:\n', sess.run(input))

    print('filter:\n', sess.run(filter))

    print('op:\n',sess.run(op))

'''

输出：

input:

 [[[[ 0.]

   [ 1.]

   [ 1.]

   [ 2.]

   [ 2.]]

  [[ 0.]

   [ 1.]

   [ 1.]

   [ 0.]

   [ 0.]]

  [[ 1.]

   [ 1.]

   [ 0.]

   [ 1.]

   [ 0.]]

  [[ 1.]

   [ 0.]

   [ 1.]

   [ 1.]

   [ 1.]]

  [[ 0.]

   [ 2.]

   [ 0.]

   [ 1.]

   [ 0.]]]]

filter:

 [[[[-1.  0.]]

  [[ 1. -2.]]

  [[ 0.  2.]]]

 [[[-1.  0.]]

  [[ 1. -1.]]

  [[ 0.  1.]]]

 [[[-2.  0.]]

  [[ 2. -1.]]

  [[ 0.  1.]]]]

op:

 [[[[ 0.  2.]

   [ 3.  0.]

   [ 0.  0.]

   [-1.  0.]

   [ 0. -2.]]

  [[ 2.  3.]

   [ 2. -1.]

   [-2.  2.]

   [ 2. -1.]

   [-2. -4.]]

  [[ 3.  1.]

   [-1.  0.]

   [ 1. -1.]

   [ 0. -1.]

   [-1. -1.]]

  [[ 2.  1.]

   [ 3. -3.]

   [-4.  3.]

   [ 3. -3.]

   [-3. -1.]]

  [[ 1.  0.]

   [ 1.  0.]

   [-1.  1.]

   [ 1. -1.]

   [-1. -2.]]]]

'''

B.1通道输入2个卷积核2个featuremap输出

import tensorflow as tf

image_channel1 = [0,1.0,1,2,2,0,1,1,0,0,1,1,0,1,0,1,0,1,1,1,0,2,0,1,0]

image_channel2 = [1,1.0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]

image_channel3 = [2,2.0,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2]

image = [i for i in zip(image_channel1,image_channel2,image_channel3)] ##生成器表达是生成列表

input = tf.Variable(tf.constant(image,shape=[1,5,5,3]))  ##3通道输入

fil1 = [-1.0,0,1,-2,0,2,-1,0,1,-1.0,0,1,-2,0,2,-1,0,1,-1.0,0,1,-2,0,2,-1,0,1]

filter = tf.Variable(tf.constant(fil1,shape=[3,3,3,1]))  ##1组（3个）卷积核对应1个featuremap输出

op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='SAME')  ##SAME补0操作

init = tf.global_variables_initializer()

with tf.Session() as  sess:

    sess.run(init)

    print('input:\n', sess.run(input))

    print('filter:\n', sess.run(filter))

    print('op:\n',sess.run(op))

##输出结果

'''

input:

 [[[[ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 2.  1.  2.]

   [ 2.  1.  2.]]

  [[ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]

   [ 0.  1.  2.]]

  [[ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]]

  [[ 1.  1.  2.]

   [ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]]

  [[ 0.  1.  2.]

   [ 2.  1.  2.]

   [ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]]]]

filter:

 [[[[-1.]

   [ 0.]

   [ 1.]]

  [[-2.]

   [ 0.]

   [ 2.]]

  [[-1.]

   [ 0.]

   [ 1.]]]

 [[[-1.]

   [ 0.]

   [ 1.]]

  [[-2.]

   [ 0.]

   [ 2.]]

  [[-1.]

   [ 0.]

   [ 1.]]]

 [[[-1.]

   [ 0.]

   [ 1.]]

  [[-2.]

   [ 0.]

   [ 2.]]

  [[-1.]

   [ 0.]

   [ 1.]]]]

op:

 [[[[ 10.]

   [ 10.]

   [  8.]

   [  8.]

   [  6.]]

  [[ 13.]

   [ 15.]

   [ 14.]

   [ 14.]

   [ 11.]]

  [[ 12.]

   [ 16.]

   [ 16.]

   [ 17.]

   [ 14.]]

  [[ 11.]

   [ 15.]

   [ 16.]

   [ 16.]

   [ 13.]]

  [[  8.]

   [ 10.]

   [ 10.]

   [ 10.]

   [  8.]]]]

'''

C.3通道输入1组（3个）卷积核1个featuremap输出

import tensorflow as tf

image_channel1 = [0,1.0,1,2,2,0,1,1,0,0,1,1,0,1,0,1,0,1,1,1,0,2,0,1,0]

image_channel2 = [1,1.0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]

image_channel3 = [2,2.0,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2]

image = [i for i in zip(image_channel1,image_channel2,image_channel3)] ##生成器表达是生成列表

input = tf.Variable(tf.constant(image,shape=[1,5,5,3]))  ##3通道输入

fil1 = [-1.0,0,1,-2,0,2,-1,0,1,-1.0,0,1,-2,0,2,-1,0,1,-1.0,0,1,-2,0,2,-1,0,1]

filter = tf.Variable(tf.constant(fil1,shape=[3,3,3,2]))  ##2组（6个）卷积核对应2个featuremap输出

op = tf.nn.conv2d(input,filter,strides=[1,1,1,1],padding='SAME')  ##SAME补0操作

init = tf.global_variables_initializer()

with tf.Session() as  sess:

    sess.run(init)

    print('input:\n', sess.run(input))

    print('filter:\n', sess.run(filter))

    print('op:\n',sess.run(op))

##输出结果

'''

input:

 [[[[ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 2.  1.  2.]

   [ 2.  1.  2.]]

  [[ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]

   [ 0.  1.  2.]]

  [[ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]]

  [[ 1.  1.  2.]

   [ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]

   [ 1.  1.  2.]]

  [[ 0.  1.  2.]

   [ 2.  1.  2.]

   [ 0.  1.  2.]

   [ 1.  1.  2.]

   [ 0.  1.  2.]]]]

filter:

 [[[[-1.  0.]

   [ 1. -2.]

   [ 0.  2.]]

  [[-1.  0.]

   [ 1. -1.]

   [ 0.  1.]]

  [[-2.  0.]

   [ 2. -1.]

   [ 0.  1.]]]

 [[[-1.  0.]

   [ 1. -2.]

   [ 0.  2.]]

  [[-1.  0.]

   [ 1.  1.]

   [ 1.  1.]]

  [[ 1.  1.]

   [ 1.  1.]

   [ 1.  1.]]]

 [[[ 1.  1.]

   [ 1.  1.]

   [ 1.  1.]]

  [[ 1.  1.]

   [ 1.  1.]

   [ 1.  1.]]

  [[ 1.  1.]

   [ 1.  1.]

   [ 1.  1.]]]]

op:

 [[[[ 14.  14.]

   [ 18.  20.]

   [ 18.  21.]

   [ 16.  20.]

   [  6.  11.]]

  [[ 16.  17.]

   [ 19.  24.]

   [ 14.  23.]

   [ 13.  22.]

   [  9.  15.]]

  [[ 14.  16.]

   [ 17.  23.]

   [ 20.  24.]

   [ 21.  24.]

   [ 13.  16.]]

  [[ 13.  16.]

   [ 20.  24.]

   [ 20.  25.]

   [ 19.  23.]

   [ 10.  15.]]

  [[ 10.  10.]

   [  6.  12.]

   [  7.  13.]

   [  6.  12.]

   [  3.   8.]]]]

'''

D.3通道输入2组（6个）卷积核2个featuremap输出

四.对一张道路图片（3通道）进行卷积操作，并且将featuremap转化成灰度图片（1通道）显示出来

import matplotlib.pyplot as plt

import matplotlib.image as mpimg

import numpy as np

import tensorflow as tf

##读取图片

myimg = mpimg.imread('road.jpg')

plt.imshow(myimg)

plt.axis('off')

plt.show()

print(myimg.shape)

# print(myimg)

full = np.reshape(myimg,[1,800,1067,3])

# print(full)

inputfull = tf.Variable(tf.constant(1.0,shape=[1,800,1067,3]))    ##3通道输入

filter = tf.Variable(tf.constant([[-1.0,-1.0,-1.0],[0,0,0],[1.0,1.0,1.0],[-2.0,-2.0,-2.0],[0,0,0],

                                 [2.0,2.0,2.0],[-1.0,-1.0,-1.0],[0,0,0],[1.0,1.0,1.0]],shape=[3,3,3,1]

                                 ))   ##3*3卷积核，3个卷积核，一个featuremap输出

op = tf.nn.conv2d(inputfull,filter,strides=[1,1,1,1],padding="SAME")

##归一化操作数据类型转化成float32    x= 255*（x-min）/(max-min)

o = tf.cast(((op-tf.reduce_min(op))/(tf.reduce_max(op)-tf.reduce_min(op)))*255,tf.uint8)

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    t,f = sess.run([o,filter],feed_dict={inputfull:full})

    t = np.reshape(t,[800,1067])##还原图片矩阵

    plt.imshow(t,'Greys_r')     ###灰度图

    plt.axis('off')

    plt.show()

    print('t:\n', t)

使用卷积提取图片的轮廓

tf.nn.conv2d卷积函数之图片轮廓提取的更多相关文章

深度学习原理与框架-Tensorflow卷积神经网络-卷积神经网络mnist分类 1.tf.nn.conv2d(卷积操作) 2.tf.nn.max_pool(最大池化操作) 3.tf.nn.dropout(执行dropout操作) 4.tf.nn.softmax_cross_entropy_with_logits(交叉熵损失) 5.tf.truncated_normal(两个标准差内的正态分布)
1. tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME') # 对数据进行卷积操作参数说明:x表示输入数据,w表示卷积核, stride ...
tf.nn.conv2d 卷积
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 第一个参数input:指需要做卷积的输入 ...
tf.nn.conv2d。卷积函数
tf.nn.conv2d是TensorFlow里面实现卷积的函数,参考文档对它的介绍并不是很详细,实际上这是搭建卷积神经网络比较核心的一个方法,非常重要 tf.nn.conv2d(input, fil ...
TF-卷积函数 tf.nn.conv2d 介绍
转自 http://www.cnblogs.com/welhzh/p/6607581.html 下面是这位博主自己的翻译加上测试心得 tf.nn.conv2d是TensorFlow里面实现卷积的函数, ...
tf入门-tf.nn.conv2d是怎样实现卷积的？
转自:https://blog.csdn.net/mao_xiao_feng/article/details/78004522 实验环境:tensorflow版本1.2.0,python2.7 介绍 ...
【TensorFlow】tf.nn.conv2d是怎样实现卷积的？
tf.nn.conv2d是TensorFlow里面实现卷积的函数,参考文档对它的介绍并不是很详细,实际上这是搭建卷积神经网络比较核心的一个方法,非常重要 tf.nn.conv2d(input, fil ...
小记tensorflow-1:tf.nn.conv2d 函数介绍
tf.nn.conv2d函数介绍 Input: 输入的input必须为一个4d tensor,而且每个input的格式必须为float32 或者float64. Input=[batchsize,im ...
tf.nn.conv2d函数和tf.nn.max_pool函数介绍
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 介绍参数: input:指卷积需要输入的 ...
tf.nn.conv2d实现卷积的过程
#coding=utf-8 import tensorflow as tf #case 2 input = tf.Variable(tf.round(10 * tf.random_normal([1, ...

随机推荐

5105 pa1 MapReduce
Programming Assignment 1: A simple MapReduce-like compute framework Yuanli Wang wang8662 ...
k3 cloud出现应收单下推收款单，把收款单是结算方式修改成银行承兑汇票之后保存提示：收款单明细中结算方式为票据业务的实收金额之和不等于票据的当前占用金额之和，请检查数据！
收款单结算方式选择[银行承兑汇票],系统就默认该笔业务在系统中要存在一张应收票据.则在应收票据页签,需要选择一张出纳的应收票据(要先存在应收票据,才能保存单据,相当于是根据这张票据审核生成的这张收单单 ...
java 进销存管理商户管理库存管理 springmvc SSM 项目源码
统介绍: 1.系统采用主流的 SSM 框架 jsp JSTL bootstrap html5 (PC浏览器使用) 2.springmvc +spring4.3.7+ mybaits3.3 SSM 普 ...
wordpress系统网站访问慢的解决方案
从2013年5月底开始,google在中国基本处于无法访问状态,谷歌官网域名,香港域名均无法访问,就连之前的IP访问方法也都失效,而Google Adsense打不开,恐怕做谷歌联盟的站长也要倒霉了 ...
JavaScript实现生成指定范围随机数和一个包含不重复数的随机数组
目前JavaScript里面还没有现成的方法可以实现这个简单地需求,我们就需要自己写代码了. 在js中有个函数:Math.random() 这个函数可以生成 [0,1) 的一个随机数. 我们的简单的改 ...
python-使用list和tuple
list Python内置的一种数据类型是列表:list.list是一种有序的集合,可以随时添加和删除其中的元素. 比如,列出班里所有同学的名字,就可以用一个list表示: >>> ...
【容器化】容器技术实践.pdf_视频学习笔记
容器运行时 docker rkt gvisor containerd 容器编排系统:kubernetes (简称k8s)
bzoj3123 [Sdoi2013]森林树上主席树+启发式合并
题目传送门 https://lydsy.com/JudgeOnline/problem.php?id=3123 题解如果是静态的查询操作,那么就是直接树上主席树的板子. 但是我们现在有了一个连接两棵 ...
html 头部设置
https://juejin.im/post/5a4ae29b6fb9a04504083cac <head> <meta charset="UTF-8"> ...
Spring---MongoDB
1.MongoDB概述 1.1.NoSQL数据库 1.1.1.NoSQL的主要特点: 不使用SQL语言作为查询条件: 数据存储也不是固定的表.字段: 1.1.2.NoSQL数据库主要有 ...

tf.nn.conv2d卷积函数之图片轮廓提取

tf.nn.conv2d卷积函数之图片轮廓提取的更多相关文章

随机推荐

热门专题