当前位置: 首页> 科技> 数码 > 制作网页难吗_外企外贸是做什么的_下载百度_百度资源分享网

制作网页难吗_外企外贸是做什么的_下载百度_百度资源分享网

时间:2025/7/11 15:27:32来源:https://blog.csdn.net/shinuone/article/details/134081383 浏览次数:0次
制作网页难吗_外企外贸是做什么的_下载百度_百度资源分享网

文章目录

  • 一、卷积(Convolution)
  • 二、反卷积(Deconvolution) —— 又称去卷积
    • 1. 反卷积(Richardson-Lucy,RL) —— —— 通过不断迭代更新图像估计值
    • 2. 转置卷积(Transpose Convolution):torch.nn.ConvTranspose2d()
      • (1)基础版本
      • (2)增强版本:网络深度 + 残差网络 + 正则化
    • 3. 分数步幅卷积(Fractionally Strided Convolution):torch.nn.ConvTranspose2d()

  • 卷积(Convolution)是一种通过滑动窗口(卷积核)遍历整个图像,对每个像素进行加权求和的操作。
    • 应用:
      • 滤波器:如高斯滤波减少图像中的噪声、锐化滤波增强图像中的高频信息。
      • 边缘检测:如Sobel、Canny突出图像中的边缘。
  • 反卷积(Deconvolution)是卷积的逆运算,旨在通过迭代优化方法从模糊图像中恢复原始图像,减少模糊和失真。
    • 常见算法:
      • Richardson-Lucy 反卷积:基于最大似然估计(MLE),通过迭代更新图像估计值来优化恢复效果。
      • Wiener 反卷积:在频域中应用 Wiener 滤波,利用噪声功率谱进行去模糊。
      • 盲反卷积(Blind Deconvolution):同时估计模糊核(PSF)和原始图像,适用于未知模糊情况。

彻底搞懂CNN中的卷积和反卷积
GIF制作:卷积动画 + 转置卷积动画 + 膨胀卷积动画

一、卷积(Convolution)

卷积(Convolution)是一种数学操作,通常用于信号处理、图像处理和深度学习中,用于处理二维或多维数据。
在这里插入图片描述

# 输入图像(input):下-蓝色区域(5, 5)
# 卷积核(kernel):下-移动阴影区域(3, 3)
# 填充(padding):下-白色区域(1)
# 步长(stride):下-卷积核每次滑动的长度(1)# 卷积核的卷积结果:上-移动阴影区域(1, 1)
# 输出图像(output):上-绿色区域(3, 3)

基于核函数的卷积操作(例如:高斯滤波)

二、反卷积(Deconvolution) —— 又称去卷积

反卷积(Deconvolution)、转置卷积(Transpose Convolution) 和 分数步幅卷积(Fractionally Strided Convolution) 是不同的概念。虽然它们有一定的相似性,但其应用、原理和实现方式是不同的。

  • 1. 反卷积(Deconvolution)
    • 概念:是卷积的逆操作采用最小化误差的方式迭代进行,最小化模糊图像与恢复图像之间的差异(例如 Richardson-Lucy)。
    • 应用:
      • 去模糊:用于去除图像中的模糊,例如相机抖动引起的模糊。
      • 盲反卷积:同时恢复图像和模糊核(PSF),用于图像恢复。
  • 2. 转置卷积(Transpose Convolution)
    • 概念: 并非严格意义上的反卷积通过零填充(在每两个元素之间插入零)扩展输入图像的空间尺寸,然后再应用卷积操作,实现图像的上采样。
    • 应用:
      • 图像生成:常用于生成对抗网络(GANs)中,将低分辨率的特征图恢复为高分辨率图像。
      • 超分辨率:用于将低分辨率图像提升到更高的分辨率。
  • 3. 分数步幅卷积(Fractionally Strided Convolution)
    • 概念:是一种介于标准卷积和转置卷积之间的操作使用较小步幅(例如 1/2 或 1/4)进行卷积操作,实现图像的上采样。
    • 应用:
      • 生成对抗网络(GANs):分数步幅卷积常用于生成对抗网络(GANs)中,用于图像的上采样。

1. 反卷积(Richardson-Lucy,RL) —— —— 通过不断迭代更新图像估计值

Richardson-Lucy (RL) 反卷积算法 —— 通过不断迭代更新图像估计值

2. 转置卷积(Transpose Convolution):torch.nn.ConvTranspose2d()

####################################################################
假设输入图像为 4x4,卷积核为 3x3,步长为 1,没有填充。输入图像(4x4)[ 1  2  3  45  6  7  89 10 11 1213 14 15 16 ]卷积核(3x3)[ 0  0  00  3  00  0  0 ]
####################################################################
1. 普通卷积输出图像(2x2)[ 18 2130 33]
2. 转置卷积(或反卷积)是卷积操作的“逆”过程,目的是将较小的特征图恢复成较大的特征图。(1)上采样:通过插入零将输入图像变为 6x6。插入的零是在图像的每两个相邻元素之间插入一个零。(2)该上采样后的图像与卷积核进行普通卷积操作,得到的输出图像尺寸将是 5x5。插值图像(7x7)[ 1  0  2  0  3  0  40  0  0  0  0  0  05  0  6  0  7  0  80  0  0  0  0  0  09  0 10  0 11  0 120  0  0  0  0  0  013  0 14  0 15  0 16 ]输出图像(5x5) [ 0  0  0  0  00 18  0 21  00  0  0  0  00 30  0 33  00  0  0  0  0 ]

(1)基础版本

在这里插入图片描述

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import cv2
import numpy as npdef load_image(image_path):"""加载并预处理图像(灰度或彩色)"""img = cv2.imread(image_path)  # 读取图像img = img[0:200, 0:200]if img.shape[2] == 3:img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图# img = cv2.resize(img, (64, 64))  # 调整图像大小为 64x64img = np.expand_dims(img, axis=0)  # 添加批次维度img = np.expand_dims(img, axis=0)  # 添加通道维度(如果是灰度图)img = torch.tensor(img, dtype=torch.float32)  # 转换为 tensorimg /= 255.0  # 归一化至 [0, 1]return imgif __name__ == '__main__':# (1)加载图像input_image = load_image('image.jpg')print("Input size: ", input_image.shape)  # torch.Size([1, 1, 245, 612])# (2)创建并执行转置卷积层conv_transpose = nn.ConvTranspose2d(in_channels=1,          # 输入通道数,1代表灰度图,3代表RGB图out_channels=1,         # 输出通道数kernel_size=3,          # 卷积核大小stride=2,               # 步幅padding=0,              # 填充output_padding=0        # 输出填充)output_image = conv_transpose(input_image)print("Output size: ", output_image.shape)  # torch.Size([1, 1, 491, 1225])"""####################################################################################Output Size = Stride × (Input Size − 1) + Kernel Size − 2 × Padding + Output Padding= 2 × (245 − 1) + 3 − 2 × 0 + 0 = 491= 2 × (612 − 1) + 3 − 2 × 0 + 0 = 1225####################################################################################"""# (3)可视化图像plt.subplot(1, 2, 1), plt.imshow(input_image[0, 0].detach().numpy(), cmap='gray' if input_image.shape[1] == 1 else None), plt.title('Input Image')plt.subplot(1, 2, 2), plt.imshow(output_image[0, 0].detach().numpy(), cmap='gray' if input_image.shape[1] == 1 else None), plt.title('Output Image')plt.show()"""####################################################################################
函数作用:二维转置卷积操作。将低维特征图上采样,生成高维特征图。
函数说明:
class torch.nn.ConvTranspose2d(in_channels: int,out_channels: int,kernel_size: Union[int, tuple[int, int]],stride: Union[int, tuple[int, int]] = 1,padding: Union[int, tuple[int, int]] = 0,output_padding: Union[int, tuple[int, int]] = 0,groups: int = 1,bias: bool = True,dilation: Union[int, tuple[int, int]] = 1,padding_mode: str = 'zeros',device: Any = None,dtype: Any = None
) -> None输入参数:       in_channels:        输入张量的通道数。例如,输入图像是 RGB 图像,则通道数为 3;如果输入是灰度图,则为 1。out_channels:       输出张量的通道数,即卷积操作后的输出深度。通常根据需要的特征数来设置。kernel_size:        卷积核的大小。可以是一个整数(表示高度和宽度相同的卷积核),也可以是一个元组,指定高和宽的不同大小。例如 (3, 3) 或 3。stride:             步幅,用于控制上采样的倍数。步幅越大,输出的尺寸会越大。可以是一个整数或一个元组 (height, width),分别控制高度和宽度方向的步幅。padding:            输入的填充大小。可以是一个整数或一个元组 (height, width)。填充是为了保证卷积核能够覆盖图像的边界区域,避免丢失图像边缘的信息。output_padding:     输出填充,用于调节输出尺寸的参数。通常在应用转置卷积时,可以使用 output_padding 来确保输出尺寸与期望的尺寸匹配。groups:             分组卷积的分组数。用于深度可分离卷积等特定情况,通常保持为 1。分组卷积允许每个输入通道和输出通道分别进行卷积,从而减少参数数量。bias:               是否使用偏置项。如果为 True,则每个输出通道会添加一个可学习的偏置。dilation:           卷积核的膨胀大小,通常用于增加卷积的感受野。通过膨胀卷积核,可以增加卷积核元素之间的间距,从而扩展感受区域,增加对远距离像素的感知能力。padding_mode:       填充模式,控制填充的方式。常见的填充方式包括:"zeros"(默认值)、"reflect"、"replicate" 和 "circular"。device:             指定计算张量所使用的设备,如 'cpu' 或 'cuda'(GPU)。如果为 None,则默认使用当前默认设备。dtype:              指定张量的数据类型,如 torch.float32 或 torch.float64。如果为 None,则默认使用当前默认数据类型。
####################################################################################"""

(2)增强版本:网络深度 + 残差网络 + 正则化

为了增强反卷积的效果,你可以:

  • 增加网络的深度,使用更复杂的网络结构。
  • 加入正则化项,如 TV 正则化、Wiener 滤波,避免噪声放大。
  • 采用批量归一化和残差网络,提高网络的稳定性和效果。
  • 合理设置卷积核和步幅,确保特征不丢失且计算效率合理。

在这里插入图片描述

import torch
import torch.nn as nn
import torch.nn.functional as F
from skimage.restoration import denoise_tv_chambolle
import matplotlib.pyplot as plt
import numpy as np
import cv2def set_seed(seed=0):"""设置随机种子,确保可复现"""torch.manual_seed(seed)  # 设置PyTorch在CPU上的随机种子,确保所有随机操作(如权重初始化、数据加载等)可复现# 设置CUDA的随机种子(用于GPU计算)torch.cuda.manual_seed(seed)  # 为当前设备设置种子torch.cuda.manual_seed_all(seed)  # 为所有GPU设备设置种子(如果使用多个GPU)import randomrandom.seed(seed)  # 设置Python标准库中的random模块的随机种子import numpy as npnp.random.seed(seed)  # 设置NumPy的随机数生成器种子torch.backends.cudnn.deterministic = True  # 让PyTorch的卷积操作变得确定性(即每次运行时结果相同)torch.backends.cudnn.benchmark = False  # 禁用CuDNN的自动优化,CuDNN会根据输入数据的形状和其他条件选择最优的计算算法(这通常会提高性能)。# TV 正则化
def tv_regularization(image, weight=0.1):"""应用 TV 正则化来去除噪声并保留边缘细节"""return denoise_tv_chambolle(image, weight=weight)# 残差块
class ResidualBlock(nn.Module):def __init__(self, in_channels):super(ResidualBlock, self).__init__()self.conv1 = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1)self.conv2 = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1)self.relu = nn.ReLU()def forward(self, x):residual = xx = self.relu(self.conv1(x))x = self.conv2(x)x += residual  # 加入残差return self.relu(x)# 增强生成网络
class EnhancedGenerator(nn.Module):def __init__(self, in_channels=3, out_channels=3):super(EnhancedGenerator, self).__init__()# 卷积层self.conv1 = nn.Conv2d(in_channels, 64, kernel_size=3, stride=1, padding=1)self.conv2 = nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1)self.conv3 = nn.Conv2d(128, 256, kernel_size=3, stride=1, padding=1)# 残差块self.resblock1 = ResidualBlock(256)self.resblock2 = ResidualBlock(256)# 转置卷积层(上采样)self.deconv1 = nn.ConvTranspose2d(256, 128, kernel_size=4, stride=2, padding=1)self.deconv2 = nn.ConvTranspose2d(128, 64, kernel_size=4, stride=2, padding=1)self.deconv3 = nn.ConvTranspose2d(64, out_channels, kernel_size=4, stride=2, padding=1)# 批量归一化self.bn1 = nn.BatchNorm2d(64)self.bn2 = nn.BatchNorm2d(128)self.bn3 = nn.BatchNorm2d(256)def forward(self, x):# 卷积过程x = F.relu(self.bn1(self.conv1(x)))x = F.relu(self.bn2(self.conv2(x)))x = F.relu(self.bn3(self.conv3(x)))# 残差块x = self.resblock1(x)x = self.resblock2(x)# 转置卷积过程x = F.relu(self.deconv1(x))x = F.relu(self.deconv2(x))x = self.deconv3(x)# 应用 TV 正则化x = tv_regularization(x.squeeze().cpu().detach().numpy(), weight=0.1)x = torch.tensor(x, dtype=torch.float32).unsqueeze(0).unsqueeze(0)  # 转换为 Tensorreturn xdef load_image(image_path):"""加载并预处理图像(灰度或彩色)"""img = cv2.imread(image_path)  # 读取图像print(f"Loaded image shape: {img.shape}")  # Loaded image shape: (245, 612, 3)img = img[0:200, 0:200]  # 截取图像区域if img.shape[2] == 3:img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图# img = cv2.resize(img, (200, 200))  # 调整图像大小为 200x200# img = np.transpose(img, (2, 0, 1))  # 将通道维度放在第一个维度img = np.expand_dims(img, axis=0)  # 添加批次维度img = np.expand_dims(img, axis=0)  # 添加通道维度(如果是灰度图)img = torch.tensor(img, dtype=torch.float32) / 255.0  # 转换为 tensor 并归一化至 [0, 1]return imgif __name__ == '__main__':set_seed(5)  # 设置固定种子"""由于卷积层的权重是随机初始化的,因此每次训练开始时,权重会有所不同。这种随机性会影响到模型的训练结果。在默认情况下,PyTorch 会自动使用一些初始化方法来为转置卷积层的权重赋予随机值(权重+偏置),具体取决于卷积核的类型。"""# 加载图像input_image = load_image('image.jpg')print("Input size: ", input_image.shape)  # Input size:  torch.Size([1, 3, 200, 200])# 创建模型model = EnhancedGenerator(in_channels=1, out_channels=1)# 前向传播output_image = model(input_image) * 255print("Output size: ", output_image.shape)  # Output size:  torch.Size([1, 3, 1600, 1600])# 显示结果plt.subplot(1, 2, 1), plt.imshow(input_image[0, 0].detach().numpy(), cmap='gray' if input_image.shape[1] == 1 else None), plt.title('Input Image')plt.subplot(1, 2, 2), plt.imshow(output_image[0, 0].detach().numpy(), cmap='gray' if input_image.shape[1] == 1 else None), plt.title('Output Image')plt.show()

3. 分数步幅卷积(Fractionally Strided Convolution):torch.nn.ConvTranspose2d()

  • 提出问题:在 PyTorch 中 ConvTranspose2d 只支持整数步幅(stride),而不支持浮动的步幅值,如 0.5。
  • 解决方案:分数步幅卷积通过 " 将卷积核中的每个元素之间插入零 " 来模拟步幅小于 1 的效果。

在这种卷积过程中,会有零填充或者 " 空隙 " 出现在卷积操作中,使得输出尺寸变得更大。这个过程与普通的转置卷积(ConvTranspose2d)有些相似,因为它本质上是在做 上采样,但不使用传统的插值方法。

在这里插入图片描述

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import cv2
import numpy as npdef set_seed(seed=0):"""设置随机种子,确保可复现"""torch.manual_seed(seed)  # 设置PyTorch在CPU上的随机种子,确保所有随机操作(如权重初始化、数据加载等)可复现# 设置CUDA的随机种子(用于GPU计算)torch.cuda.manual_seed(seed)  # 为当前设备设置种子torch.cuda.manual_seed_all(seed)  # 为所有GPU设备设置种子(如果使用多个GPU)import randomrandom.seed(seed)  # 设置Python标准库中的random模块的随机种子import numpy as npnp.random.seed(seed)  # 设置NumPy的随机数生成器种子torch.backends.cudnn.deterministic = True  # 让PyTorch的卷积操作变得确定性(即每次运行时结果相同)torch.backends.cudnn.benchmark = False  # 禁用CuDNN的自动优化,CuDNN会根据输入数据的形状和其他条件选择最优的计算算法(这通常会提高性能)。def load_image(image_path):"""加载并预处理图像(灰度或彩色)"""img = cv2.imread(image_path)  # 读取图像img = img[0:200, 0:200]if img.shape[2] == 3:img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转换为灰度图# img = cv2.resize(img, (64, 64))  # 调整图像大小为 64x64img = np.expand_dims(img, axis=0)  # 添加批次维度img = np.expand_dims(img, axis=0)  # 添加通道维度(如果是灰度图)img = torch.tensor(img, dtype=torch.float32)  # 转换为 tensorimg /= 255.0  # 归一化至 [0, 1]return imgclass FractionalStrideConv2d(nn.Module):def __init__(self, in_channels, out_channels, kernel_size, stride=2):super(FractionalStrideConv2d, self).__init__()self.kernel_size = kernel_sizeself.stride = stride# 使用卷积操作,步幅为 1self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=kernel_size//2)def forward(self, x):batch_size, channels, height, width = x.size()# 计算新的高度和宽度,确保 stride 是整数new_height = height * self.stridenew_width = width * self.stride# 插入零到高和宽维度x = x.view(batch_size, channels, height, 1, width, 1)  # 在每两个像素之间插入一个零# 扩展张量以插入零,确保传入的是整数x = x.expand(batch_size, channels, height, int(self.stride), width, int(self.stride))  # 扩展尺寸x = x.contiguous().view(batch_size, channels, new_height, new_width)  # 重塑# 使用卷积x = self.conv(x)return xif __name__ == '__main__':set_seed(5)  # 设置固定种子"""由于卷积层的权重是随机初始化的,因此每次训练开始时,权重会有所不同。这种随机性会影响到模型的训练结果。在默认情况下,PyTorch 会自动使用一些初始化方法来为转置卷积层的权重赋予随机值(权重+偏置),具体取决于卷积核的类型。"""# (1)加载图像input_image = load_image('image.jpg')print("Input size: ", input_image.shape)  # torch.Size([1, 1, 245, 612])# input_image = torch.randn(1, 3, 64, 64)  # 假设输入是 64x64 的 3 通道图像model = FractionalStrideConv2d(in_channels=1, out_channels=64, kernel_size=3, stride=2)output_image = model(input_image)print(output_image.shape)  # 输出图像的尺寸model = FractionalStrideConv2d(in_channels=1, out_channels=64, kernel_size=3, stride=3)output_image2 = model(input_image)# 显示图像plt.figure(figsize=(8, 8))plt.subplot(1, 3, 1), plt.imshow(input_image[0, 0].detach().numpy(), cmap='gray' if input_image.shape[1] == 1 else None), plt.title('Input Image')plt.subplot(1, 3, 2), plt.imshow(output_image[0, 0].detach().numpy(),cmap='gray' if input_image.shape[1] == 1 else None), plt.title('Output Image(stride=2)')plt.subplot(1, 3, 3), plt.imshow(output_image2[0, 0].detach().numpy(),cmap='gray' if input_image.shape[1] == 1 else None), plt.title('Output Image(stride=3)')plt.show()plt.show()
关键字:制作网页难吗_外企外贸是做什么的_下载百度_百度资源分享网

版权声明:

本网仅为发布的内容提供存储空间,不对发表、转载的内容提供任何形式的保证。凡本网注明“来源:XXX网络”的作品,均转载自其它媒体,著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处。

我们尊重并感谢每一位作者,均已注明文章来源和作者。如因作品内容、版权或其它问题,请及时与我们联系,联系邮箱:809451989@qq.com,投稿邮箱:809451989@qq.com

责任编辑: