DEF conv_ (IMG, conv_filter) filter_size = conv_filter.shape [1 ] 결과 = numpy.zeros ((img.shape)) 프린트 ( ' 루프 R : ' , numpy.uint16 (numpy.arange (filter_size / 2.0 IMG. 형상 [0] -filter_size / 2.0 + 1 ))) # 화상 통해 반복은 컨볼 루션 연산을 적용한다. 위한 연구 에서 numpy.uint16 (numpy.arange (filter_size / 2.0 img.shape [0] -filter_size / 2.0 + 1 )) 에 대한 C 의 numpy.uint16 (numpy.arange (filter_size / 2.0 , img.shape [1] -filter_size / 2.0 + 1 )) : # 필터 곱해 얻을 현재 영역 얻기. # 기반으로 지역 이미지를 통해 루프를 얻을 방법 # 이미지와 파일러 크기 회선의 가장 까다로운 부분이다. curr_region IMG = [R-numpy.uint16 (numpy.floor (filter_size은 / 2.0)) : R + numpy.uint16 (numpy.ceil (filter_size / 2.0 )), C -numpy.uint16 (numpy.floor (filter_size / 2.0) ) C + numpy.uint16 (numpy.ceil (filter_size / 2.0 ))] # 현재 영역과 필터 사이 소자 현명한 승산. curr_result = curr_region * conv_filter의 conv_sum= numpy.sum (curr_result) # 승산의 결과를 합산. 결과 [R을, C = conv_sum # 컨벌루션 층 기능 맵 합산 저장. # 결과 행렬의 특이 패스. 인쇄 ( " 결과 : ' , 결과) final_result = 결과 [numpy.uint16 (filter_size / 2.0) result.shape [0] - numpy.uint16 (filter_size / 2.0 ) numpy.uint16 (filter_size /2.0):result.shape [1] - numpy.uint16 (filter_size은 / 2.0 )] 창 final_result DEF 컨벌루션 (IMG, conv_filter) '' ' 화상 크기 [img_height, img_width, 필터 사양 [filter_height, filter_width]이면 . Filter_width +1 - 수평 방향 img_width의 회선 필터 측면 이동 시간의 다음 번호 수직 방향으로 상하 이동이 filter_height + 1 - 필터 컨볼 루션 연산 주파수 image_hieght이다. '' move_steps_vertical = img.shape [0] - conv_filter.shape [0] + 1. move_steps_horizontal = img.shape [1.] -. conv_filter.shape [. 1] + 1 결과 = numpy.zeros ((move_steps_vertical, move_steps_horizontal)) 에 대한 vertical_index 의 범위 (move_steps_vertical) 용 horizontal_index 의 범위 (move_steps_horizontal) '' ' 시작의 상단에서 시작, 회선 필터 3 * 3 타일을 선택합니다 및 수평 방향 변환 부. 도착 수평 이동, 왼쪽으로 복귀하지만, 하나 개의 유닛을 우측 하강 후 위의 단계를 반복 회선 '' '을 지역 = IMG [vertical_index : vertical_index + conv_filter.shape [0] horizontal_index : horizontal_index + conv_filter.shape [1. ] # 카운터 다음 두 문장을 참고 할 수는 이해되어야하는 코드 로직 디버깅 #의 ( '영역 인덱스'인쇄, vertical_index , horizontal_index) #에 인쇄 ( "현재 지역 ', 지역) 의 CURRENT_RESULT = 지역 * conv_filter conv_sum = 의 np.sum (CURRENT_RESULT) IF conv_sum < 0 conv_sum의 = 0 [horizontal_index vertical_index] 결과 = conv_sum의 복귀 결과
에서 google.colab 수입 드라이브 drive.mount ( ' / 내용 / G 드라이브 ' )
가져올 순이익으로 NumPy와 수입 NumPy와 IMG = np.array ([ [ 10, 10, 10 , 0, 0, 0], [ 10, 10, 10 , 0, 0, 0], [ 10, 10, 10 , 0, 0,0], [ 10, 10, 10 , 0, 0, 0], [ 10, 10, 10 , 0, 0, 0], [ 10, 10, 10 , 0, 0, 0] ]) 필터 = np.array ( [ [ 1, 0, -1 ], [ 1, 0, -1 ], [ 1, 0, -1 ] ] ) FILTER1 = np.array ( [ [ 1, 1, 1 ], [0, 0, 0], [ -1, -1, -1 ] ] ) conv_img = 컨벌루션 (IMG, 필터) 인쇄 (conv_img) IMG = np.array ([ [ 10, 10, 10, 10, 10, 10 ], [ 10 , 0, 0, 0, 0, 0], [ 10 , 0, 0, 0, 0, 0], [ 10, 10, 10 , 0, 0, 0], [ 10, 10, 10 , 0, 0, 0], [ 10, 10, 10 , 0, 0, 0] ]) conv_img = 컨벌루션 (IMG, 필터 1) 인쇄 (conv_img)
# 로드 픽처만을 포함하는 화소 값에 그레이 스케일 이미지로 변환 오기 skimage.data IMAGE_PATH를 = ' / 콘텐츠 / G 드라이브 / 드라이브 내 / dog.jpg ' #의 로드 포토 RGB 화상을 그레이 스케일로 변환되는 동안 = skimage.data.load의 IMG는 (IMAGE_PATH는 as_grey는 = 참) 반입 하기 matplotlib를 으로부터 하기 matplotlib 오기 PLT의 AS pyplot plt.axis ( " OFF " ) plt.imshow (IMG) ) plt.show (
# 두 필터 준비는 (3,3)의 각 필터 사양 = 필터 np.array ([ [ [이 -1, 0 ,. 1 ], [ -1, 0 ,. 1 ], [ -1, 0 1. ] ], [ [ 1 ,. 1 ,. 1이다. ] [0,0,0], [ -1, -1, -1 ] ] ]) DEF 회선 (IMG, conv_filter) '' ' 의 경우 이미지 크기 [img_height, img_width, 필터 사양 [filter_height, filter_width]는 다음 횡 컨벌루션 img_width의 개수의 수평 방향 이동은 -. filter_width +1 수직 컨볼 루션 연산 시간의 수직 방향으로 이동 image_hieght - filter_height + 1. '' ' move_steps_vertical = img.shape [0] - conv_filter.shape [0] + 1. move_steps_horizontal = img.shape [1.] - conv_filter.shape [. 1] + 1 개. 결과 = numpy.zeros ((move_steps_vertical, move_steps_horizontal)) 에 대한 vertical_index 의 범위 (move_steps_vertical) 용 horizontal_index 에서 : 범위 (move_steps_horizontal) '' ' , 수평 방향의 시작 상단 선택 편 동작 파라미터의 3 * 3 회선 및 변환 부에서 시작. 우단 도착의 수평 이동이 있지만, 가장 왼쪽으로 복귀 한 부 하강 때, 위의 과정을 반복 컨벌루션 '' 지역 = IMG [vertical_index을 : vertical_index + conv_filter.shape [0], horizontal_index : horizontal_index [. 1 + conv_filter.shape ] 의 CURRENT_RESULT = 영역 * conv_filter conv_sum = np.sum (의 CURRENT_RESULT) # 개 는이 문제를 활성화 함수는 후자의 구현 해결되므로이 제거합니다이 conv_sum <0, 판정 유의 vertical_index [결과, horizontal_index] = conv_sum의 복귀 결과 DEF CONV (IMG, conv_filter) '' ' 필터 어레이 이미지에 교대로 작용 # ' ' #의 feature_map 효과 이미지 결과에 동작 파라미터 후에 얻어지는 feature_maps = np.zeros (( img.shape [0] - conv_filter.shape [. 1] + 1. , img.shape [ 1.] -. conv_filter.shape [. 1] + 1, conv_filter.shape [0])) 에 대한 filter_num 의 범위 (conv_filter.shape [0]) curr_filter = conv_filter [filter_num :] conv_map = 컨벌루션 (IMG, curr_filter) feature_maps [: : filter_num] = conv_map의 복귀 feature_maps
= IMAGE_PATH ' / 콘텐츠 / G 드라이브 / 내 문서 / dog.jpg ' #의 RGB 화상이 그레이 스케일 이미지로 변환하는 동안로드 포토 IMG = skimage.data.load (IMAGE_PATH, as_grey = 참) # 부하 동작 파라미터의 두 세트에인가 계조에 l1_feature_map = CONV (IMG, 필터) # 대상 화상의 수직 에지 추출 화상의 결과에 작용하는 동작 파라미터의 제 1 세트의 표시 , 필립스, AX1 = matplotlib.pyplot.subplots (NROWS = 1, = 2 명으로 ncols ) AX1 [0] .imshow (l1_feature_map [: : 0]). set_cmap ( " 그레이 " ) AX1 [0] .get_xaxis () set_ticks ([]). AX1 [0] .get_yaxis (). set_ticks ([]) AX1 [0] .set_title ( " LL-MAP1 " ) # 오브젝트 에지 화상 레벨을 추출 화상의 결과에 작용하는 동작 파라미터의 제 2 세트를 표시 AX1 [1] .imshow (l1_feature_map [:, : 1). set_cmap ( " 회색 " ) AX1 [ 1 .] .get_xaxis () set_ticks ([]) AX1 [ 1 .] .get_yaxis () set_ticks ([] ) AX1 [ 1] .set_title ( " L1-Map2에 " )
''' 模拟relu运算，它的逻辑简单，如果给定数值小于0，那就将它设置为0，如果大于0，那就保持不变 ''' def relu(feature_map): relu_out = np.zeros(feature_map.shape) for map_num in range(feature_map.shape[-1]): for r in np.arange(0, feature_map.shape[0]): for c in np.arange(0, feature_map.shape[1]): relu_out[r, c, map_num] = np.max([feature_map[r, c, map_num], 0]) return relu_out
#显示第一幅图relu运算后的结果 fig1, ax1 = matplotlib.pyplot.subplots(nrows=1, ncols=2) reluMap = relu(l1_feature_map) ax1[0].imshow(reluMap[:, :, 0]).set_cmap("gray") ax1[0].get_xaxis().set_ticks([]) ax1[0].get_yaxis().set_ticks([]) ax1[0].set_title("L1-MapRelu1") #显示第二幅图relu运算后结果的结果 ax1[1].imshow(reluMap[:, :, 1]).set_cmap("gray") ax1[1].get_xaxis().set_ticks([]) ax1[1].get_yaxis().set_ticks([]) ax1[1].set_title("L1-MapRelu2")
''' 模拟MaxPooling操作实现数据压缩 ''' def pooling(feature_map, size = 2, stride = 2): #size表示将上下左右4个元素进行比较，每次操作在水平和竖直方向上移动2个单位 pool_out_height = np.uint16((feature_map.shape[0] - size + 1) / stride + 1) pool_out_width = np.uint16((feature_map.shape[1] - size + 1) / stride + 1) pool_out = np.zeros((pool_out_height, pool_out_width, feature_map.shape[-1])) #现在水平方向上平移，每次间隔2个单位，然后在竖直方向平移，每次间隔2个单位 for map_num in range(feature_map.shape[-1]): r2 = 0 for r in np.arange(0, feature_map.shape[0] - size + 1, stride): c2 = 0 for c in np.arange(0, feature_map.shape[1] - size + 1, stride): pool_out[r2, c2, map_num] = np.max([feature_map[r : r + size, c: c + size, map_num]]) c2 = c2 + 1 r2 = r2 + 1 return pool_out
#显示第一幅图relu运算,再做max pooling结果 fig1, ax1 = matplotlib.pyplot.subplots(nrows=1, ncols=2) poolingMap = pooling(reluMap) ax1[0].imshow(poolingMap[:, :, 0]).set_cmap("gray") ax1[0].get_xaxis().set_ticks([]) ax1[0].get_yaxis().set_ticks([]) ax1[0].set_title("L1-pooling1") #显示第二幅图relu运算后，再做max pooling结果的结果 ax1[1].imshow(poolingMap[:, :, 1]).set_cmap("gray") ax1[1].get_xaxis().set_ticks([]) ax1[1].get_yaxis().set_ticks([]) ax1[1].set_title("L1-pooling2")
filters2 = np.random.rand(2, 5, 5) print('adding conv layer 2') feature_map_2 = conv(poolingMap[:,:, 0], filters2) print('ReLU') relu_map_2 = relu(feature_map_2) print('max pooling') poolingMap_2 = pooling(relu_map_2) print('End of conv layer 2')
#显示第二层卷积层运算后第一幅图 fig1, ax1 = matplotlib.pyplot.subplots(nrows=1, ncols=2) ax1[0].imshow(poolingMap_2[:, :, 0]).set_cmap("gray") ax1[0].get_xaxis().set_ticks([]) ax1[0].get_yaxis().set_ticks([]) ax1[0].set_title("Layer 2, L1-pooling1") #显示第二层卷积层运算后第二幅图 ax1[1].imshow(poolingMap_2[:, :, 1]).set_cmap("gray") ax1[1].get_xaxis().set_ticks([]) ax1[1].get_yaxis().set_ticks([]) ax1[1].set_title("Layer 2, L1-pooling2")
filters3 = np.random.rand(2, 7, 7) print('adding conv layer 3') feature_map_3 = conv(poolingMap_2[:,:, 0], filters3) print('ReLU') relu_map_3 = relu(feature_map_3) print('max pooling') poolingMap_3 = pooling(relu_map_3) print('End of conv layer 3')
#显示第三层卷积层运算后第一幅图 fig1, ax1 = matplotlib.pyplot.subplots(nrows=1, ncols=2) ax1[0].imshow(poolingMap_3[:, :, 0]).set_cmap("gray") ax1[0].get_xaxis().set_ticks([]) ax1[0].get_yaxis().set_ticks([]) ax1[0].set_title("Layer 2, L1-pooling1") #显示第三层卷积层运算后第二幅图 ax1[1].imshow(poolingMap_3[:, :, 1]).set_cmap("gray") ax1[1].get_xaxis().set_ticks([]) ax1[1].get_yaxis().set_ticks([]) ax1[1].set_title("Layer 2, L1-pooling2")
