python numpy pad函式使用

在卷積神經網路中，為了避免邊緣畫素點不能有效得到使用，同時，在卷積之後，被不斷壓縮的情況，我們有乙個重要的操作叫做padding，翻譯為填充，主要是通過在周圍填充一定量的畫素點來避免上述兩種問題的產生。

如上圖所示，紅色區域為原始影象，我們需要將其周圍做好填充，使其成為乙個更大的圖畫，避免卷積結束後出現畫素點的損失，從而避免了神經網路無法加深的問題。

在python的numpy庫函式中，該函式已經被封裝好。

arr1d = np.array([1,2,3,4])

>>> arr1 = np.pad(arr1d, ((2,2)), 'constant')
>>> arr1
array([0, 0, 1, 2, 3, 4, 0, 0])

arr1 = np.pad(arr1d, ((2,2)), 'edge')
>>> arr1
array([1, 1, 1, 2, 3, 4, 4, 4])

>>> arr1 = np.pad(arr1d, ((2,2)), 'linear_ramp')
>>> arr1
array([0, 0, 1, 2, 3, 4, 2, 0])

>>> arr1 = np.pad(arr1d, ((2,2)), 'maximum')
>>> arr1
array([4, 4, 1, 2, 3, 4, 4, 4])

>>> arr1 = np.pad(arr1d, ((2,2)), 'mean')
>>> arr1
array([2, 2, 1, 2, 3, 4, 2, 2])

>>> arr1 = np.pad(arr1d, ((2,2)), 'median')
>>> arr1
array([2, 2, 1, 2, 3, 4, 2, 2])

>>> arr1 = np.pad(arr1d, ((2,2)), 'minimum')
>>> arr1
array([1, 1, 1, 2, 3, 4, 1, 1])

>>> arr1 = np.pad(arr1d, ((2,2)), 'reflect')
>>> arr1
array([3, 2, 1, 2, 3, 4, 3, 2])

>>> arr1 = np.pad(arr1d, ((3,3)), 'reflect')
>>> arr1
array([4, 3, 2, 1, 2, 3, 4, 3, 2, 1])

>>> arr1 = np.pad(arr1d, ((4,4)), 'reflect')
>>> arr1
array([3, 4, 3, 2, 1, 2, 3, 4, 3, 2, 1, 2])

>>> arr1 = np.pad(arr1d, ((2,2)), 'symmetric')
>>> arr1
array([2, 1, 1, 2, 3, 4, 4, 3])

>>> arr1 = np.pad(arr1d, ((2,2)), 'wrap')
>>> arr1
array([3, 4, 1, 2, 3, 4, 1, 2])

但是如何呼叫還是要注意，首先，卷積操作基於整個影象，而通常一副彩色圖是由三個二維矩陣組成的立體三維陣列，所以，卷積核也是三維的，相應的，卷積運算就在兩個維度上展開，卷積核的移動式向右，向下，再向右，向下，直到遍歷結束為止，因此，我們的填充操作只在兩個軸上進行，也就是我們通常意義的x軸和y軸，但問題的關鍵在於，當我們在python中，用np.array定義了乙個三維陣列之後，怎麼把每乙個緯度對映到我們通常所理解的三維上呢！這塊是我個人的理解，不知道對不對，理論上一幅圖，我們是要在x和y軸兩個方向上做改變，但是，如果將三色圖看成乙個立體的，我們的改變實際上發生在x和z兩個方向上，如果我們將每種通道的畫素值（rgb）分別儲存在乙個二維陣列裡，就得到了乙個三維陣列，而對應的緯度計算時shape的第乙個值與的表示正好相反，所以，需要我們對後兩位進行作用。

如圖所示，不過，一般的資料集都會考慮到這一點，所以，在運算元據集的時候，座標順序表示依然是正確的，只需要作用前兩位填充即可。

python numpy pad函式使用

WaitForSingleObject函式的使用

cvCreateVideoWriter函式使用

CentimetersToPoints函式出錯

python numpy pad函式使用

WaitForSingleObject函式的使用

cvCreateVideoWriter函式使用

CentimetersToPoints函式出錯

相關推薦