溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
卷積在pytorch中有兩種實現，一種是torch.nn.Conv2d()，一種是torch.nn.functional.conv2d()，這兩種方式本質都是執行卷積操作，對輸入的要求也是一樣的，首先需要輸入的是一個torch.autograd.Variable()的類型，大小是（batch，channel， H，W)，其中batch表示輸入的一批數據的數目，channel表示輸入的通道數。
一般一張彩色的圖片是3，灰度圖片是1，而卷積網絡過程中的通道數比較大，會出現幾十到幾百的通道數。H和W表示輸入圖片的高度和寬度，比如一個batch是32張圖片，每張圖片是3通道，高和寬分別是50和100，那么輸入的大小就是（32，3，50，100）。
如下代碼是卷積執行soble邊緣檢測算子的實現：
import torch
import numpy as np
from torch import nn
from PIL import Image
from torch.autograd import Variable
import torch.nn.functional as F
def nn_conv2d(im):
# 用nn.Conv2d定義卷積操作
conv_op = nn.Conv2d(1, 1, 3, bias=False)
# 定義sobel算子參數
sobel_kernel = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]], dtype='float32')
# 將sobel算子轉換為適配卷積操作的卷積核
sobel_kernel = sobel_kernel.reshape((1, 1, 3, 3))
# 給卷積操作的卷積核賦值
conv_op.weight.data = torch.from_numpy(sobel_kernel)
# 對圖像進行卷積操作
edge_detect = conv_op(Variable(im))
# 將輸出轉換為圖片格式
edge_detect = edge_detect.squeeze().detach().numpy()
return edge_detect
def functional_conv2d(im):
sobel_kernel = np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]], dtype='float32') #
sobel_kernel = sobel_kernel.reshape((1, 1, 3, 3))
weight = Variable(torch.from_numpy(sobel_kernel))
edge_detect = F.conv2d(Variable(im), weight)
edge_detect = edge_detect.squeeze().detach().numpy()
return edge_detect
def main():
# 讀入一張圖片，并轉換為灰度圖
im = Image.open('./cat.jpg').convert('L')
# 將圖片數據轉換為矩陣
im = np.array(im, dtype='float32')
# 將圖片矩陣轉換為pytorch tensor,并適配卷積輸入的要求
im = torch.from_numpy(im.reshape((1, 1, im.shape[0], im.shape[1])))
# 邊緣檢測操作
# edge_detect = nn_conv2d(im)
edge_detect = functional_conv2d(im)
# 將array數據轉換為image
im = Image.fromarray(edge_detect)
# image數據轉換為灰度模式
im = im.convert('L')
# 保存圖片
im.save('edge.jpg', quality=95)
if __name__ == "__main__":
main()
原圖片：cat.jpg
結果圖片：edge.jpg
以上這篇Pytorch 實現sobel算子的卷積操作詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
