机器学习与深度学习 / 系统课时
图像张量与卷积
图像张量与卷积
本课解决两个核心问题:图像在 PyTorch 中如何表示,以及卷积核怎样通过局部滑动提取边缘、纹理等特征。学完后,你能读懂常见的 NCHW 张量形状,并用一个最小示例验证二维卷积的计算结果。
学习目标
- 说清批次、通道、高度和宽度四个维度的含义
- 理解卷积核在局部区域上滑动并生成特征图的过程
- 使用
torch.nn.functional.conv2d验证一次卷积计算
图像张量的四个维度
PyTorch 的二维卷积通常接收四维张量,形状写作 (N, C, H, W)。N 表示一次输入的样本数量,C 表示通道数,H 和 W 分别表示图像高度与宽度。
灰度图通常只有 1 个通道,RGB 彩色图通常有 3 个通道。例如,形状为 (32, 3, 224, 224) 的张量表示一个批次中有 32 张 RGB 图片,每张图片的空间尺寸为 224×224。

卷积如何提取局部特征
卷积核是一个较小的权重矩阵。它每次覆盖输入图像的一块局部区域,把对应元素相乘后求和,得到输出特征图中的一个值。随后卷积核继续滑动,直到完成所有可覆盖位置。
不同卷积核会对不同局部模式产生较强响应。例如,某些权重组合会突出水平边缘,另一些会突出垂直边缘。训练时,这些权重不是人工固定的,而是通过反向传播逐步学习得到。
多通道输入时,一个输出通道对应一组跨越全部输入通道的卷积核。各输入通道分别计算后再求和,因此输出特征不是简单复制某个颜色通道,而是对多个通道信息的联合提取。
用 PyTorch 验证一次卷积
下面使用一个单通道 4×4 输入和一个 2×2 卷积核。为了直接观察计算过程,卷积核权重由代码显式给出,不参与训练。
import torch
import torch.nn.functional as F
image = torch.tensor(
[[[[1.0, 2.0, 0.0, 1.0],
[3.0, 1.0, 2.0, 2.0],
[0.0, 1.0, 3.0, 1.0],
[2.0, 2.0, 1.0, 0.0]]]]
)
# 权重形状为:输出通道数、输入通道数、卷积核高、卷积核宽
kernel = torch.tensor(
[[[[1.0, 0.0],
[0.0, -1.0]]]]
)
output = F.conv2d(image, kernel, stride=1, padding=0)
print(tuple(output.shape))
print(output.squeeze().tolist())预期输出:
(1, 1, 3, 3)
[[0.0, 0.0, -2.0], [2.0, -2.0, 1.0], [-2.0, 0.0, 3.0]]第一个输出值来自输入左上角的 2×2 区域:1×1 + 2×0 + 3×0 + 1×(-1) = 0。输入边长为 4,卷积核边长为 2,且没有填充,所以输出边长为 3。
易混淆点
图像文件常以 (H, W, C) 排列,而 PyTorch 卷积层默认使用 (N, C, H, W)。从 NumPy 或图像库导入数据后,通常需要调整维度并补上批次维度。
卷积不等于简单裁剪。每个输出值都来自局部区域与卷积核权重的加权求和;同一个卷积核会在不同位置复用,这种权重共享显著减少了参数数量。