【CNN】卷积神经网络多通道卷积与偏置过程- part2

多通道卷积 的核心思想是：对每个通道分别进行卷积，然后把结果加起来。

以彩色图像为例，包含三个通道，分别表示RGB三原色的像素值，输入为（3,5,5），分别表示3个通道，每个通道的宽为5，高为5。假设卷积核只有1个，卷积核通道为3，每个通道的卷积核大小仍为3x3，padding=0，stride=1。

卷积过程如下，每一个通道的像素值与对应的卷积核通道的数值进行卷积，因此每一个通道会对应一个输出卷积结果，三个卷积结果对应位置累加求和，得到最终的卷积结果（这里卷积输出结果通道只有1个，因为卷积核只有1个。卷积多输出通道下面会继续讲到）。

可以这么理解：最终得到的卷积结果是原始图像各个通道上的综合信息结果。

上述过程中，每一个卷积核的通道数量，必须要求与输入通道数量一致，因为要对每一个通道的像素值要进行卷积运算，所以每一个卷积核的通道数量必须要与输入通道数量保持一致。

我们把上述图像通道如果放在一块，计算原理过程还是与上面一样，堆叠后的表示如下：

2.单卷积核多通道

我们来看下面的单卷积核多通道卷积的演变过程。

 

import torch
import torch.nn as nn
import numpy as npmatrix_np = np.array([[[[0,1,1],[0,0,1],[0,0,0]],[[0,0,1],[1,0,1],[0,0,0]],[[1,0,1],[1,1,1],[1,0,0]]]])    kernel = torch.tensor([[[1,0],[0,0]],[[0,1],[0,0]],[[0,0],[1,0]]
], dtype=torch.float32)  matrix_np = np.array(matrix_np).astype(np.float32)conv_layer = nn.Conv2d(in_channels=3, out_channels=1, kernel_size=2, stride=1, padding=0,bias=False)conv_layer.weight.data = kernel.view(1,3,2,2)output_data = conv_layer(input_data)print(output_data.shape)
print(torch.round(output_data))

 3.多卷积核多通道

import torch
import torch.nn as nn
import numpy as np# 创建一个大小为 28*28 的单通道图像
# input_data = torch.randn(1, 3, 3, 3)  # 一个大小为28x28的单通道图像# 创建一个 NumPy 数组matrix_np = np.array([[[[0.0, 1.0, 1.0],[0.0, 0.0, 1.0],[0.0, 0.0, 0.0]],[[0.0, 0.0, 1.0],[1.0, 0.0, 1.0],[0.0, 0.0, 0.0]],[[1.0, 0.0, 1.0],[1.0, 1.0, 1.0],[1.0, 0.0, 0.0]]]])kernel = torch.tensor([[[[1., 0.],[0., 0.]],[[0., 1.],[0., 0.]],[[0., 0.],[1., 0.]]],[[[1., 0.],[0., 0.]],[[1., 0.],[0., 0.]],[[1., 0.],[0., 0.]]]], dtype=torch.float32)matrix_np = np.array(matrix_np).astype(np.float32)
# 转换为 PyTorch 张量
input_data = torch.from_numpy(matrix_np)print(input_data)# 创建卷积层，输入通道数为 3
# 输出通道数1
# 步长默认是1
# 卷积核大小2*2
# 0个0填充
# 默认没有偏置项 bias=False
conv_layer = nn.Conv2d(in_channels=3, out_channels=2, stride=1, kernel_size=2, padding=0, bias=True)
# conv_layer = nn.Conv2d(in_channels=3, out_channels=2, stride=1, kernel_size=2, padding=0, bias=True)# 手动设置卷积核权重（权重形状：[out_channels, in_channels, height, width]）
conv_layer.weight.data = kernel.view(2, 3, 2, 2)# 手动设置卷积核偏置项（偏置项形状：[out_channels]）
# conv_layer.bias.data.fill_(-1.0)
# 对输入数据进行卷积操作
output_data = conv_layer(input_data)# 输出结果
print(output_data.shape)
print(torch.round(output_data))