首先讀取一張1271273的rgb影象，
然後把讀到的影象轉換成tensor：13127127
執行11卷積
把卷積後得到的tensor轉換成numpy
再把numpy轉換成能生成的那種格式
1 127*127大小
("卷積之前"
, crop_z_tensor.
size()
) conv2 = torch.nn.
conv2d(3
,3,kernel_size=(1
,1))
out =
conv2
(crop_z_tensor)
("卷積後 out.size"
,out.
size()
) data = out.
detach()
.numpy()
data = data.
transpose()
data = np.
squeeze
(data)
("2 data.shape"
,data.shape)
data = data.
astype
(np.uint8)
cv2.
imwrite
('/home/zs//debug_/otb100/data2.png'
, data)
生成127*127，影象是反著的
卷積視覺化
影象卷積操作的應用沒有嚴格的數學推導，即沒有數學推導表明每一層究竟表示什麼。為了了解卷積神經網路中每一層與原有影象的對應關係，文章visualizing and understanding convolutional networks通過反向卷積的方式實現了該過程。那具體如何操作的呢？得到的h1與真...
卷積層特徵視覺化
import torch import numpy as np from torchvision import datasets import torchvision.transforms as transforms set the parameters num workers 0batch siz...
pytorch 反卷積 視覺化 手推反卷積
在推導反卷積之前，先推導一下卷積。假設輸入為 將輸入矩陣轉成乙個 則 所以 用pytorch驗證一下結果 import torch import torch.nn.functional as f x torch.tensor 0,1,2,3 4,5,6,7 8,9,10,11 12,13,14,15...