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。

NCHW 图像张量与卷积滑动示意图

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。

python
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:

text
(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。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

图像张量与卷积

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通