搜索

(图解)一步一步使用CPP实现深度学习中的卷积

GiantPandaCV

共 807字，需浏览 2分钟

 ·

2021-01-06 21:06

【GiantPandaCV导语】卷积操作在深度学习中的重要性,想必大家都很清楚了。接下来将通过图解的方式,使用cpp一步一步从简单到复杂来实现卷积操作。

  • 符号约定F为输入;width为输入的宽;height为输入的高;channel为输入的通道;K为kernel;kSizeX为kernel的宽;kSizeY为kernel的高;filters为kernel的个数;O为输出;outWidth为输出的宽;outHeight为输出的高;outChannel为输出的通道;

  • 卷积输出尺寸计算公式

  • 1. 最简单的3x3卷积首先, 我们不考虑任何padding, stride, 多维度等情况,来一个最简单的3x3卷积操作.计算思路很简单, 对应元素相乘最后相加即可.此处:

    • width=3

    • height=3

    • channel=1

    • paddingX=0

    • paddingY=0

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=1

    • outHeight=1

    • outChannel=1

图1 最简单的3x3卷积

cpp代码:

void demo0()
{
    float F[] = {1,2,3,4,5,6,7,8,9};
    float K[] = {1,2,3,4,5,6,7,8,9};
    float O = 0;

    int width  = 3;
    int height = 3;
    int kSizeX = 3;
    int kSizeY = 3;

    for(int m=0;m    {
        for(int n=0;n        {
            O+=K[m*kSizeX+n]*F[m*width+n];
        }
    }

    std::cout<" ";
}

  • 2. 最简单卷积(1)接下来考虑能适用于任何尺寸的简单卷积, 如输入为4x4x1, kernel为3x3x1. 这里考虑卷积步长为1, 则此处的参数为:

    cpp代码:

    • width=4

    • height=4

    • channel=1

    • paddingX=0

    • paddingY=0

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=1

      图2 最简单卷积(1)
void demo1()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9};
    float O[] = {0,0,0,0};

    int padX = 0;
    int padY = 0;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 1;
    int strideY  = 1;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for(int i=0;i    {
        for(int j=0;j        {
            for(int m=0;m            {
                for(int n=0;n                {
                    O[i*outW+j]+=K[m*kSizeX+n]*F[(m+i)*width+(n+j)];
                }
            }
        }
    }

    for (int i = 0; i < outH; ++i)
    {
        for (int j = 0; j < outW; ++j)
        {
            std::cout<" ";
        }
        std::cout<    }
}

  • 3. 最简单卷积(2)接下来考虑在步长上为任意步长的卷积,  如输入为4x4x1, kernel为2x2x1. 这里考虑卷积步长为2, 则此处的参数为:

    • width=4

    • height=4

    • channel=1

    • paddingX=0

    • paddingY=0

    • strideX=2

    • strideY=2

    • dilationX=1

    • dilationY=1

    • kSizeX=2

    • kSizeY=2

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=1

图3 最简单卷积(2)

cpp代码:

void demo2()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4};
    float O[] = {0,0,0,0};

    int padX = 0;
    int padY = 0;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 2;
    int kSizeY = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for(int i=0;i    {
        for(int j=0;j        {
            for(int m=0;m            {
                for(int n=0;n                {
                    O[i*outW+j]+=K[m*kSizeX+n]*F[(m+i*strideY)*width+(n+j*strideX)];
                }
            }
        }
    }

    for (int i = 0; i < outH; ++i)
    {
        for (int j = 0; j < outW; ++j)
        {
            std::cout<" ";
        }
        std::cout<    }
}

  • 4. 带padding的卷积接下来考虑带padding的卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1 则此处的参数为:

    cpp代码:

    • width=4

    • height=4

    • channel=1

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=1

      图4 考虑padding卷积
void demo3()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9};
    float O[] = {0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for(int i=0;i    {
        for(int j=0;j        {
            for(int m=0;m            {
                for(int n=0;n                {
                    float fVal = 0;  
                    //考虑边界强情况
                    if((n+j*strideX-padX)>-1&&(m+i*strideY-padY>-1)&&(n+j*strideX-padX)<=width&&(m+i*strideY-padY>-1)<=height) 
                    {
                        fVal = F[(m+i*strideY-padX)*width+(n+j*strideX-padY)];
                    }
                    O[i*outW+j]+=K[m*kSizeX+n]*fVal;
                }
            }
        }
    }

    for (int i = 0; i < outH; ++i)
    {
        for (int j = 0; j < outW; ++j)
        {
            std::cout<" ";
        }
        std::cout<    }
}

  • 5. 多通道卷积接下来考虑多通道卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1, 输入通道为2, 则此处的参数为:

    cpp代码:

    • width=4

    • height=4

    • channel=2

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=1

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=1

      图5 多通道卷积
void demo4()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9};
    float O[] = {0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int channel = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    for (int c = 0; c < channel; ++c)
    {
        for(int i=0;i        {
            for(int j=0;j            {
                for(int m=0;m                {
                    for(int n=0;n                    {
                        float fVal = 0;
                        if((n+j*strideX-padX)>-1&&(m+i*strideY-padY>-1)&&(n+j*strideX-padX)<=width&&(m+i*strideY-padY>-1)<=height)
                        {
                            fVal = F[c*width*height + (m+i*strideY-padX)*width+(n+j*strideX-padY)];
                        }
                        O[i*outW+j]+=K[c*kSizeX*kSizeY+m*kSizeX+n]*fVal;
                    }
                }
            }
        }
    }

    for (int i = 0; i < outH; ++i)
    {
        for (int j = 0; j < outW; ++j)
        {
            std::cout<" ";
        }
        std::cout<    }
}

  • 6. 多kernel卷积接下来考虑多kernel卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1, 输入通道为2, filters为2, 则此处的参数为:

    • width=4

    • height=4

    • channel=2

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=1

    • dilationY=1

    • kSizeX=3

    • kSizeY=3

    • filters=2

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=2

图6 多kernel卷积

cpp代码:

void demo5()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9,
                 1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9
                };
    float O[] = {0,0,0,0,0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 1;
    int dilationY = 1;

    int strideX  = 2;
    int strideY  = 2;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int channel = 2;

    int filters = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    int outC = filters;

    for (int oc = 0; oc < outC; ++oc)
    {
        for (int c = 0; c < channel; ++c)
        {
            for(int i=0;i            {
                for(int j=0;j                {
                    for(int m=0;m                    {
                        for(int n=0;n                        {
                            float fVal = 0;
                            if((n+j*strideX-padX)>-1&&(m+i*strideY-padY>-1)&&(n+j*strideX-padX)<=width&&(m+i*strideY-padY>-1)<=height)
                            {
                                fVal = F[c*width*height + (m+i*strideY-padX)*width+(n+j*strideX-padY)];
                            }
                            O[oc*outH*outW+i*outW+j]+=K[oc*outC*kSizeX*kSizeY+c*kSizeX*kSizeY+m*kSizeX+n]*fVal;
                        }
                    }
                }
            }
        }
    }

    for (int oc = 0; oc < outC; ++oc)
    {
        for (int i = 0; i < outH; ++i)
        {
            for (int j = 0; j < outW; ++j)
            {
                std::cout<" ";
            }
            std::cout<        }
        std::cout<    }
}

  • 7. 膨胀卷积接下来考虑多膨胀卷积,  如输入为4x4x1, kernel为3x3x1. 卷积步长为1, padding为1, 输入通道为2, filters为2, dilate为2则此处的参数为:

    • width=4

    • height=4

    • channel=2

    • paddingX=1

    • paddingY=1

    • strideX=1

    • strideY=1

    • dilationX=2

    • dilationY=2

    • kSizeX=3

    • kSizeY=3

    • filters=2

      可根据卷积输出尺寸计算公式,得到:

    • outWidth=2

    • outHeight=2

    • outChannel=2

图7 膨胀卷积

cpp代码:

void demo6()
{
    float F[] = {1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16};
    float K[] = {1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9,
                 1,2,3,4,5,6,7,8,9,1,2,3,4,5,6,7,8,9
                };
    float O[] = {0,0,0,0,0,0,0,0};

    int padX = 1;
    int padY = 1;

    int dilationX = 2;
    int dilationY = 2;

    int strideX  = 1;
    int strideY  = 1;

    int width = 4;
    int height = 4;

    int kSizeX = 3;
    int kSizeY = 3;

    int channel = 2;

    int filters = 2;

    int outH = (height+2*padY-(dilationY*(kSizeY-1)+1)) / strideY + 1;
    int outW = (width+2*padX-(dilationX*(kSizeX-1)+1)) / strideX + 1;

    int outC = filters;

    for (int oc = 0; oc < outC; ++oc)
    {
        for (int c = 0; c < channel; ++c)
        {
            for(int i=0;i            {
                for(int j=0;j                {
                    for(int m=0;m                    {
                        for(int n=0;n                        {
                            float fVal = 0;
                            if( ((n+j*strideX)*dilationX-padX)>-1 && ((m+i*strideY)*dilationY-padY)>-1&&
                               ((n+j*strideX)*dilationX-padX)<=width && ((m+i*strideY)*dilationY-padY>-1)<=height)
                            {
                                fVal = F[c*width*height + ((m+i*strideY)*dilationX-padX)*width+((n+j*strideX)*dilationY-padY)];
                            }
                            O[oc*outH*outW+i*outW+j]+=K[oc*outC*kSizeX*kSizeY+c*kSizeX*kSizeY+m*kSizeX+n]*fVal;
                        }
                    }
                }
            }
        }
    }

    for (int oc = 0; oc < outC; ++oc)
    {
        for (int i = 0; i < outH; ++i)
        {
            for (int j = 0; j < outW; ++j)
            {
                std::cout<" ";
            }
            std::cout<        }
        std::cout<    }
}

  • git源码https://github.com/msnh2012/ConvTest
  • 最后欢迎关注我和BBuf及公众号的小伙伴们一块维护的一个深度学习框架Msnhnet:  https://github.com/msnh2012/Msnhnet

欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享，坚持原创，每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧

有对文章相关的问题，或者想要加入交流群，欢迎添加BBuf微信：

二维码

为了方便读者获取资料以及我们公众号的作者发布一些Github工程的更新，我们成立了一个QQ群，二维码如下，感兴趣可以加入。

公众号QQ交流群


浏览 18
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
【深度学习基础】一步一步讲解卷积神经网络
机器学习初学者
0
深度学习基础：一步一步讲解卷积神经网络
极市平台
0
【深度学习基础】一步一步讲解卷积神经网络
小白学视觉
0
干货 | 2023 年如何一步一步的学习 Python
Python客栈
0
深度学习中的反向卷积
小白学视觉
0
Android一步一步教你实现Emoji表情键盘
龙旋
0
厉害了,一步一步实现 Vue 3 Reactivity
前端Sharing
0
我是如何一步一步去实现「并行调用」的？
Java3y
0
【Vuejs】1000- 一步一步实现 Vue 3 Reactivity 【图文并茂版】
全栈修炼
0
手把手教你一步一步的实现一个前后端分离的管理系统
业余草
0
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报