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
- 浅谈协议（四）——wireshark强力解析视频流协议
参考链接: https://wenku.baidu.com/view/460f016e49d7c1c708a1284ac850ad02de800722.html https://wenku.baidu ...
- nginx 实现浏览器文件下载服务
nginx 实现浏览器文件下载服务 2018/07/21 这里记录如何用 nginx 搭建一个简易的 file server,实现在浏览器上进行文件的下载操作. 要实现文件下载功能非常非常容易,不需要 ...
- FTP服务器原理及配置
控制连接 21端口 用于发送ftp命令 数据连接 20端口 用于上传下载数据 数据连接的建立类型: 1主动模式: 服务器主动发起的数据连接 首先由客户端的21 端口建立ftp控制连接 当需要传输数 ...
- JS基础入门篇（三）— for循环，取余，取整。
1.for循环 1.for的基本简介 作用: 根据一定的条件,重复地执行一行或多行代码 语法: for( 初始化 ; 判断条件 ; 条件改变 ){ 代码块 } 2.for循环的执行顺序 <bod ...
- 多组件共享-vuex
1.解决多个组件共享同一状态数据问题1)多个视图共享同一状态2)来自不同视图的触发事件需要变更同一状态文档API:https://vuex.vuejs.org/zh/api/ 2.组件与store连接 ...
- flask之注册功能
一:注册功能 1:前端准备表单 # 前端代码 <!DOCTYPE html> <html lang="en"> <head> <meta ...
- Linux下统计当前文件夹下的文件个数
Linux下统计当前文件夹下的文件个数 √ ls -l |grep "^-"|wc -l
- 批量去除输出数据文件名前面的"\output\“
for file in \output\*; do mv "\(file" "\){file#\output\_}";done;
- Codeforces 512B: Fox And Jumping
题目链接 题意说的是,有n种卡片,使用第i种卡片可以使当前自己在数轴上的位置移动 l[i],要获得使用第i种卡片的代价是 c[i],求能使自己移动到数轴上任意位置的最小代价,如果不可能则输出-1 当前 ...
- python类对象属性查找原理
class Foo(object): def __init__(self): # 这是一个对象属性 self.obj_pro = 12 # 这是一类属性 c_pro = 11 # 这是一个静态方法 @ ...