Numpy實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的示例
import numpy as np import sys def conv_(img, conv_filter): filter_size = conv_filter.shape[1] result = np.zeros((img.shape)) # 循環(huán)遍歷圖像以應(yīng)用卷積運(yùn)算 for r in np.uint16(np.arange(filter_size/2.0, img.shape[0]-filter_size/2.0+1)): for c in np.uint16(np.arange(filter_size/2.0, img.shape[1]-filter_size/2.0+1)): # 卷積的區(qū)域 curr_region = img[r-np.uint16(np.floor(filter_size/2.0)):r+np.uint16(np.ceil(filter_size/2.0)), c-np.uint16(np.floor(filter_size/2.0)):c+np.uint16(np.ceil(filter_size/2.0))] # 卷積操作 curr_result = curr_region * conv_filter conv_sum = np.sum(curr_result) # 將求和保存到特征圖中 result[r, c] = conv_sum # 裁剪結(jié)果矩陣的異常值 final_result = result[np.uint16(filter_size/2.0):result.shape[0]-np.uint16(filter_size/2.0), np.uint16(filter_size/2.0):result.shape[1]-np.uint16(filter_size/2.0)] return final_result def conv(img, conv_filter): # 檢查圖像通道的數(shù)量是否與過濾器深度匹配 if len(img.shape) > 2 or len(conv_filter.shape) > 3: if img.shape[-1] != conv_filter.shape[-1]: print("錯誤:圖像和過濾器中的通道數(shù)必須匹配") sys.exit() # 檢查過濾器是否是方陣 if conv_filter.shape[1] != conv_filter.shape[2]: print('錯誤:過濾器必須是方陣') sys.exit() # 檢查過濾器大小是否是奇數(shù) if conv_filter.shape[1] % 2 == 0: print('錯誤:過濾器大小必須是奇數(shù)') sys.exit() # 定義一個空的特征圖,用于保存過濾器與圖像的卷積輸出 feature_maps = np.zeros((img.shape[0] - conv_filter.shape[1] + 1, img.shape[1] - conv_filter.shape[1] + 1, conv_filter.shape[0])) # 卷積操作 for filter_num in range(conv_filter.shape[0]): print("Filter ", filter_num + 1) curr_filter = conv_filter[filter_num, :] # 檢查單個過濾器是否有多個通道。如果有,那么每個通道將對圖像進(jìn)行卷積。所有卷積的結(jié)果加起來得到一個特征圖。 if len(curr_filter.shape) > 2: conv_map = conv_(img[:, :, 0], curr_filter[:, :, 0]) for ch_num in range(1, curr_filter.shape[-1]): conv_map = conv_map + conv_(img[:, :, ch_num], curr_filter[:, :, ch_num]) else: conv_map = conv_(img, curr_filter) feature_maps[:, :, filter_num] = conv_map return feature_maps def pooling(feature_map, size=2, stride=2): # 定義池化操作的輸出 pool_out = np.zeros((np.uint16((feature_map.shape[0] - size + 1) / stride + 1), np.uint16((feature_map.shape[1] - size + 1) / stride + 1), feature_map.shape[-1])) 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
import skimage.data import numpy import matplotlib import matplotlib.pyplot as plt import NumPyCNN as numpycnn # 讀取圖像 img = skimage.data.chelsea() # 轉(zhuǎn)成灰度圖像 img = skimage.color.rgb2gray(img) # 初始化卷積核 l1_filter = numpy.zeros((2, 3, 3)) # 檢測垂直邊緣 l1_filter[0, :, :] = numpy.array([[[-1, 0, 1], [-1, 0, 1], [-1, 0, 1]]]) # 檢測水平邊緣 l1_filter[1, :, :] = numpy.array([[[1, 1, 1], [0, 0, 0], [-1, -1, -1]]]) """ 第一個卷積層 """ # 卷積操作 l1_feature_map = numpycnn.conv(img, l1_filter) # ReLU l1_feature_map_relu = numpycnn.relu(l1_feature_map) # Pooling l1_feature_map_relu_pool = numpycnn.pooling(l1_feature_map_relu, 2, 2) """ 第二個卷積層 """ # 初始化卷積核 l2_filter = numpy.random.rand(3, 5, 5, l1_feature_map_relu_pool.shape[-1]) # 卷積操作 l2_feature_map = numpycnn.conv(l1_feature_map_relu_pool, l2_filter) # ReLU l2_feature_map_relu = numpycnn.relu(l2_feature_map) # Pooling l2_feature_map_relu_pool = numpycnn.pooling(l2_feature_map_relu, 2, 2) """ 第三個卷積層 """ # 初始化卷積核 l3_filter = numpy.random.rand(1, 7, 7, l2_feature_map_relu_pool.shape[-1]) # 卷積操作 l3_feature_map = numpycnn.conv(l2_feature_map_relu_pool, l3_filter) # ReLU l3_feature_map_relu = numpycnn.relu(l3_feature_map) # Pooling l3_feature_map_relu_pool = numpycnn.pooling(l3_feature_map_relu, 2, 2) """ 結(jié)果可視化 """ fig0, ax0 = plt.subplots(nrows=1, ncols=1) ax0.imshow(img).set_cmap("gray") ax0.set_title("Input Image") ax0.get_xaxis().set_ticks([]) ax0.get_yaxis().set_ticks([]) plt.savefig("in_img1.png", bbox_inches="tight") plt.close(fig0) # 第一層 fig1, ax1 = plt.subplots(nrows=3, ncols=2) ax1[0, 0].imshow(l1_feature_map[:, :, 0]).set_cmap("gray") ax1[0, 0].get_xaxis().set_ticks([]) ax1[0, 0].get_yaxis().set_ticks([]) ax1[0, 0].set_title("L1-Map1") ax1[0, 1].imshow(l1_feature_map[:, :, 1]).set_cmap("gray") ax1[0, 1].get_xaxis().set_ticks([]) ax1[0, 1].get_yaxis().set_ticks([]) ax1[0, 1].set_title("L1-Map2") ax1[1, 0].imshow(l1_feature_map_relu[:, :, 0]).set_cmap("gray") ax1[1, 0].get_xaxis().set_ticks([]) ax1[1, 0].get_yaxis().set_ticks([]) ax1[1, 0].set_title("L1-Map1ReLU") ax1[1, 1].imshow(l1_feature_map_relu[:, :, 1]).set_cmap("gray") ax1[1, 1].get_xaxis().set_ticks([]) ax1[1, 1].get_yaxis().set_ticks([]) ax1[1, 1].set_title("L1-Map2ReLU") ax1[2, 0].imshow(l1_feature_map_relu_pool[:, :, 0]).set_cmap("gray") ax1[2, 0].get_xaxis().set_ticks([]) ax1[2, 0].get_yaxis().set_ticks([]) ax1[2, 0].set_title("L1-Map1ReLUPool") ax1[2, 1].imshow(l1_feature_map_relu_pool[:, :, 1]).set_cmap("gray") ax1[2, 0].get_xaxis().set_ticks([]) ax1[2, 0].get_yaxis().set_ticks([]) ax1[2, 1].set_title("L1-Map2ReLUPool") plt.savefig("L1.png", bbox_inches="tight") plt.close(fig1) # 第二層 fig2, ax2 = plt.subplots(nrows=3, ncols=3) ax2[0, 0].imshow(l2_feature_map[:, :, 0]).set_cmap("gray") ax2[0, 0].get_xaxis().set_ticks([]) ax2[0, 0].get_yaxis().set_ticks([]) ax2[0, 0].set_title("L2-Map1") ax2[0, 1].imshow(l2_feature_map[:, :, 1]).set_cmap("gray") ax2[0, 1].get_xaxis().set_ticks([]) ax2[0, 1].get_yaxis().set_ticks([]) ax2[0, 1].set_title("L2-Map2") ax2[0, 2].imshow(l2_feature_map[:, :, 2]).set_cmap("gray") ax2[0, 2].get_xaxis().set_ticks([]) ax2[0, 2].get_yaxis().set_ticks([]) ax2[0, 2].set_title("L2-Map3") ax2[1, 0].imshow(l2_feature_map_relu[:, :, 0]).set_cmap("gray") ax2[1, 0].get_xaxis().set_ticks([]) ax2[1, 0].get_yaxis().set_ticks([]) ax2[1, 0].set_title("L2-Map1ReLU") ax2[1, 1].imshow(l2_feature_map_relu[:, :, 1]).set_cmap("gray") ax2[1, 1].get_xaxis().set_ticks([]) ax2[1, 1].get_yaxis().set_ticks([]) ax2[1, 1].set_title("L2-Map2ReLU") ax2[1, 2].imshow(l2_feature_map_relu[:, :, 2]).set_cmap("gray") ax2[1, 2].get_xaxis().set_ticks([]) ax2[1, 2].get_yaxis().set_ticks([]) ax2[1, 2].set_title("L2-Map3ReLU") ax2[2, 0].imshow(l2_feature_map_relu_pool[:, :, 0]).set_cmap("gray") ax2[2, 0].get_xaxis().set_ticks([]) ax2[2, 0].get_yaxis().set_ticks([]) ax2[2, 0].set_title("L2-Map1ReLUPool") ax2[2, 1].imshow(l2_feature_map_relu_pool[:, :, 1]).set_cmap("gray") ax2[2, 1].get_xaxis().set_ticks([]) ax2[2, 1].get_yaxis().set_ticks([]) ax2[2, 1].set_title("L2-Map2ReLUPool") ax2[2, 2].imshow(l2_feature_map_relu_pool[:, :, 2]).set_cmap("gray") ax2[2, 2].get_xaxis().set_ticks([]) ax2[2, 2].get_yaxis().set_ticks([]) ax2[2, 2].set_title("L2-Map3ReLUPool") plt.savefig("L2.png", bbox_inches="tight") plt.close(fig2) # 第三層 fig3, ax3 = plt.subplots(nrows=1, ncols=3) ax3[0].imshow(l3_feature_map[:, :, 0]).set_cmap("gray") ax3[0].get_xaxis().set_ticks([]) ax3[0].get_yaxis().set_ticks([]) ax3[0].set_title("L3-Map1") ax3[1].imshow(l3_feature_map_relu[:, :, 0]).set_cmap("gray") ax3[1].get_xaxis().set_ticks([]) ax3[1].get_yaxis().set_ticks([]) ax3[1].set_title("L3-Map1ReLU") ax3[2].imshow(l3_feature_map_relu_pool[:, :, 0]).set_cmap("gray") ax3[2].get_xaxis().set_ticks([]) ax3[2].get_yaxis().set_ticks([]) ax3[2].set_title("L3-Map1ReLUPool") plt.savefig("L3.png", bbox_inches="tight") plt.close(fig3)
以上就是Numpy實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)的示例的詳細(xì)內(nèi)容,更多關(guān)于Numpy實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的資料請關(guān)注腳本之家其它相關(guān)文章!
- 卷積神經(jīng)網(wǎng)絡(luò)Inception?V3網(wǎng)絡(luò)結(jié)構(gòu)圖
- 使用pytorch提取卷積神經(jīng)網(wǎng)絡(luò)的特征圖可視化
- Python深度學(xué)習(xí)之實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
- TensorFlow keras卷積神經(jīng)網(wǎng)絡(luò) 添加L2正則化方式
- 使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)做人臉識別的示例代碼
- 卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型及其改進(jìn)點(diǎn)學(xué)習(xí)匯總
相關(guān)文章
Python3+RIDE+RobotFramework自動化測試框架搭建過程詳解
這篇文章主要介紹了Python3+RIDE+RobotFramework自動化測試框架搭建過程詳解,本文通過圖文并茂的形式給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-09-09Pandas探索之高性能函數(shù)eval和query解析
這篇文章主要介紹了Pandas探索之高性能函數(shù)eval和query解析,小編覺得還是挺不錯的,這里分享給大家,供需要的朋友參考。2017-10-10python破解WiFi教程代碼,Python蹭網(wǎng)原理講解
用Python生成一個簡單的密碼本,一般是有數(shù)字、字母和符號組成,這里用到的思路主要是窮舉法。通過使用pywifi?模塊,根據(jù)密碼本暴力破解WiFi。本文只是從技術(shù)的角度來闡述學(xué)習(xí)Pywifi庫!并不建議大家做任何破壞性的操作和任何不當(dāng)?shù)男袨椋?/div> 2023-01-01Python機(jī)器學(xué)習(xí)之使用Pyecharts制作可視化大屏
pyecharts是一個用于生成Echarts圖表的Python庫,Echarts是百度開源的一個數(shù)據(jù)可視化 JS 庫,可以生成一些非常酷炫的圖表,這篇文章主要給大家介紹了關(guān)于Python機(jī)器學(xué)習(xí)之Pyecharts制作可視化大屏的相關(guān)資料,需要的朋友可以參考下2021-10-10Python爬蟲通過替換http request header來欺騙瀏覽器實(shí)現(xiàn)登錄功能
這篇文章主要介紹了Python爬蟲通過替換http request header來欺騙瀏覽器實(shí)現(xiàn)登錄功能,需要的朋友可以參考下2018-01-01PyTorch實(shí)現(xiàn)FedProx聯(lián)邦學(xué)習(xí)算法
這篇文章主要為大家介紹了PyTorch實(shí)現(xiàn)FedProx的聯(lián)邦學(xué)習(xí)算法,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步,早日升職加薪2022-05-05python 使用GDAL實(shí)現(xiàn)柵格tif轉(zhuǎn)矢量shp的方式小結(jié)
今天通過本文給大家分享python 使用GDAL實(shí)現(xiàn)柵格tif轉(zhuǎn)矢量shp的方式小結(jié),計(jì)劃是使用柵格轉(zhuǎn)矢量的方式,將柵格數(shù)據(jù)轉(zhuǎn)為矢量shp文件,然后進(jìn)行矢量切片,使用Mapbox進(jìn)行前端動態(tài)渲染,具體內(nèi)容詳情跟隨小編一起看看吧2021-08-08最新評論