原文地址可以查看更多信息：http://blog.csdn.net/niuwei22007/article/details/48025939

? ? ? ? 源代碼分析：（注意，如果直接保存以下代碼，一定要另存為UTF8格式，否則報錯）個人理解，歡迎批評指正。

代碼中會用到一個名叫dimshuffle()的函數(shù)。dimshuffle()是一個很強大的工具，但是對于初學(xué)者來說可能會搞不懂到底有什么用，一開始我也是。但是經(jīng)過多次實驗，終于弄懂了dimshuffle()的作用是什么，參見dimshuffle的作用詳解

[python]?view plain?copy

import?theano??

import?numpy??

import?pylab??

from?theano?import?tensor?as?T??

from?theano.tensor.nnet?import?conv??

from?PIL?import?Image??

??

#?生成一個隨機數(shù)生成類rng，其seed為23455（隨機數(shù)種子）。????

rng?=?numpy.random.RandomState(23455)??

??

#?實例化一個4D的輸入tensor，是一個象征性的輸入，相當于形參，需要調(diào)用時傳入一個實參????

input?=?T.tensor4(name='input')??

??

#?權(quán)值數(shù)組的shape（可以理解為權(quán)值的數(shù)組大小），用來確定需要產(chǎn)生的隨機數(shù)個數(shù)，??

#（該大小可以理解為是一個?2行3列?的矩陣，其中每個矩陣元素又是一個?9行9列的?矩陣）??

w_shp?=?(2,?3,?9,?9)???

??

#?每個權(quán)值的邊界，用來確定需要產(chǎn)生的每個隨機數(shù)的范圍。??

w_bound?=?numpy.sqrt(3?*?9?*?9)??

??

#?rng.uniform(low,hign,size)的作用是產(chǎn)生一個shape為size的均勻分布數(shù)組，每個數(shù)的范圍為(low,high)??

#?numpy.asarray（a）的作用是將?類數(shù)組a?轉(zhuǎn)化為array類型??

#?theano.shared()實例化一個權(quán)值變量（只是為了進行GPU加速時用），可以調(diào)用W.get_value()查看其value??

W?=?theano.shared(?numpy.asarray(??

????????????rng.uniform(??

????????????????low=-1.0?/?w_bound,??

????????????????high=1.0?/?w_bound,??

????????????????size=w_shp),??

????????????dtype=input.dtype),?name?='W')??

??

#?下面是用同樣的方法初始化一個偏置值b，b通常被初始化為0，因為它在算法中會有一個被學(xué)習(xí)的過程；??

#?但是此處是需要直接用它來計算，所以用隨機值給它初始化，就當做是已經(jīng)經(jīng)過學(xué)習(xí)后的值了。??

b_shp?=?(2,)??

b?=?theano.shared(numpy.asarray(??

????????????rng.uniform(low=-.5,?high=.5,?size=b_shp),??

????????????dtype=input.dtype),?name?='b')??

??

#?conv.conv2d(input,filter)?需要2個輸入，一個是input，一個是filter。????

#?input就是上文中的4D張量，每個張量分別代表[mini-batch?size，特征圖的數(shù)量，圖像高度，圖像寬度]。????

#?filter就是上文中的W。也是一個4D張量，分別代表[m層特征圖數(shù)量，m-1層特征圖數(shù)量，過濾器高度，過濾器寬度]。????

#????

#?當其他函數(shù)需要用到變量conv_out時，會先把實參input傳入conv2d()中，再計算出conv_out????

#??

conv_out?=?conv.conv2d(input,?W)??

??

#?dimshuffle是一個很強大的能輕松改變一個張量結(jié)構(gòu)的工具。b.dimshuffle('x',?0,?'x',?'x')??

#?就是把b的原始的第0列向量的左側(cè)添加一個維度，在其右側(cè)添加兩個維度。??

#?b原來是個一維數(shù)據(jù)(2)，經(jīng)過dimshuffle之后，則變成了一個四維數(shù)據(jù)(1*2*1*1)。??

#?dimshuffle具體的操作，參見文章一開始。??

output?=?T.nnet.sigmoid(conv_out?+?b.dimshuffle('x',?0,?'x',?'x'))??

??

#?創(chuàng)建一個用來過濾圖像的theano.function（可以把f編譯為c，然后就可以隨時拿來用了。）????

#????

#?當其他函數(shù)需要調(diào)用f時（調(diào)用形式為f(input)），需要傳入實參input，然后將計算結(jié)果存入output中。????

#????

f?=?theano.function([input],?output)??

??

#?下面開始處理幾幅圖片來看一下效果??

#?打開一幅圖片，源代碼中有2個"open"，應(yīng)該是在linux中的語法，我是在windows上運行的，所以改成1個open????

img?=?Image.open('g:\\b.jpg')??

??

#?得到圖片的寬度和高度（注意，順序一定不要弄反）??

img_w,?img_h?=?img.size??

??

#?將圖片像素按照（高度，寬度，通道數(shù)量）格式化為array數(shù)組??

#?其實就是將圖片數(shù)據(jù)格式化為一個數(shù)組，因為每個像素點包括3個字節(jié)，B,G,R，且其范圍為0-255，??

#?這個地方最后將其除以256是為了歸一化，歸一化后的數(shù)據(jù)是float64類型??

img?=?numpy.asarray(img,?dtype='float32')?/?256.??

??

#?圖片的原始數(shù)據(jù)是一個3D數(shù)據(jù)【高，寬，通道數(shù)量】，????

#?經(jīng)過數(shù)據(jù)置換(transpose(2,0,1))之后，變成了【通道數(shù)量，高，寬】，????

#?因為f中傳入?yún)?shù)需要4D，因此需要將圖片數(shù)據(jù)reshape成為一個【1,?通道數(shù)量,?高,?寬】這樣的4D張量，????

#?reshape的參數(shù)一定要注意，1就是最外的那一維度，3就是通道數(shù)量，然后是【高】和【寬】，????

#?這樣結(jié)果的?img_.shape?=【1,?3,?寬,?高】???

#??

#?為什么reshape為這樣的size呢？因為調(diào)用f時需要傳入一個input，而這個input就是4D，最終的這個input是傳入到????

#?conv2d中的第一個參數(shù)，而那個參數(shù)的格式是什么呢？[mini-batch?size，特征圖的數(shù)量，圖像高度，圖像寬度]??

#?這樣就串起來了吧，第一個參數(shù)是batch?size，據(jù)我所知應(yīng)該是指卷積核的數(shù)量吧，但是不知道為什么這里是1？??

#?第二個參數(shù)代表輸入層的特征圖數(shù)量，這個地方是3，其實就是把一張彩色圖片按照3個通道作為3個特征圖進行輸入；??

#?最后兩個是圖像的高度和寬度，正好一一對應(yīng)。??

#??

img_?=?img.transpose(2,?0,?1).reshape(1,?3,?img_h,?img_w)??

??

??

#?將img_作為f的參數(shù)，經(jīng)過計算得到輸出??

filtered_img?=?f(img_)??

??

#?將原始圖片顯示出來??

pylab.subplot(1,?3,?1);?pylab.axis('off');?pylab.imshow(img)??

#?圖片灰度化??

pylab.gray();??

??

#?分別顯示不同處理后的圖片??

pylab.subplot(1,?3,?2);?pylab.axis('off');?pylab.imshow(filtered_img[0,?0,?:,?:])??

pylab.subplot(1,?3,?3);?pylab.axis('off');?pylab.imshow(filtered_img[0,?1,?:,?:])??

pylab.show()??

運行結(jié)果:

參考資料:

1.原始教程

2.小白安裝Theano

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的深度学习(DL)与卷积神经网络(CNN)学习笔记随笔-02-基于Python的卷积运算的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。