标签: convolution

根据卷积定理，时域中的卷积是fft域中的乘积。通过正确的零填充，它可以工作：

% convolution in time domain
a = [1 2 3];
b = [4 5 6];
c = conv(a,b);

a_padded=[a 0 0]; b_padded=[b 0 0];
c_bis=ifft(fft(a_padded).*fft(b_padded));
% we do find c_bis=c

然而，这个定理也应该以相反的方式工作，时域中的乘积是 fft 域中的卷积。我不明白这部分：

d = a.*b;
D=conv(fft(a_padded),fft(b_padded));
d_bis=ifft(D);

这给出了 d_bis 的复向量。如何使用频域中的卷积来反转时域中的逐点乘积？

我是卷积神经网络和 Tensorflow 的新手，我需要使用更多参数实现一个卷积层：

转化次数 第1层：过滤器=11，通道=64，步幅=4，Relu。

API如下：

tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)

我明白什么是步幅，在我的例子中它应该是 [1, 4, 4, 1] 。但我不明白，我应该如何传递过滤器参数和填充。有人可以帮忙吗？

我正在尝试提高 CNN 模型的速度，我使用的方法是删除架构中的一些卷积层，并且模型的准确性与我的数据集几乎保持相同。

我想知道在训练模型之前是否有某种方法可以分析数据集有多少卷积层足够？还有其他方法来分析模型有多少个过滤器就足够了吗？

我已经制作了用于2D卷积的CUDA程序,现在想将它与一些非CUDA实现进行比较以测量加速.

我可以使用经典的多循环方法或matlab的conv2来比较我自己在普通C中的实现,但它不像是合法/公平的比较,因为它们不是那里最快的实现.

此外,我正在考虑尝试OpenCV,我一直在寻找没有运气的SIMD优化版本.任何建议,我应该使用OpenCV吗？

注意:我已经阅读了其他问题,包括这个问题,但答案基本上与我的普通C代码或可用的各种方法的讨论相同.

我需要使用以3934.8A为中心的特定参数的高斯函数来卷积下一条曲线.

我看到的问题是我的曲线是一个离散数组,高斯是一个很好定义的连续函数.我怎样才能做到这一点？

我有大约80万个RGBx 256x256的图像,超过7GB.

我想将它们用作卷积神经网络中的训练数据,并希望将它们与标签一起放在cPickle文件中.

现在,这需要占用大量内存,因为它需要与我的硬盘内存交换,并且几乎消耗掉所有内存.

这是个坏主意吗？

在不引起太多内存问题的情况下,加载到CNN或腌制它们的更聪明/更实用的方法是什么？

这就是代码的样子

import numpy as np
import cPickle
from PIL import Image
import sys,os

pixels = []
labels = []
traindata = []
data=[]


for subdir, dirs, files in os.walk('images'):
        curdir=''
        for file in files:
                if file.endswith(".jpg"):
                        floc=str(subdir)+'/'+str(file)
                        im= Image.open(floc)
                        pix=np.array(im.getdata())
                        pixels.append(pix)
                        labels.append(1)
pixels=np.array(pixels)
labels=np.array(labels)
traindata.append(pixels)
traindata.append(labels)
traindata=np.array(traindata)
.....# do the same for validation and test data
.....# put all data and labels into 'data' array
cPickle.dump(data,open('data.pkl','wb'))

我在MATLAB中玩图像处理算法.其中一个基本的是用高斯卷积图像.我在灰度800x600图像上运行了以下测试:

function [Y1, Y2] = testConvolveTime(inputImage)
[m,n] = size(inputImage);

% casting...
inputImage = cast(inputImage, 'single');

Gvec = [1 4 6 4 1]; % sigma=1;

Y1 = zeros(size(inputImage)); % modify it
Y2 = zeros(size(inputImage)); % modify it


%%%%%%%%%%%%%%%%%%% MATLAB CONV %%%%%%%%%%%%%%%%%%%%%
t1 = cputime;

for i=1:m
    Y1(i,:) = conv(inputImage(i,:),Gvec,'same');
end

for j=1:n
    Y1(:,j) = conv(inputImage(:,j),Gvec','same');
end

Y1 = round(Y1 / 16);
e1 = cputime - t1

%%%%%%%%%%%%%%%%%%% HAND-CODED CONV %%%%%%%%%%%%%%%%%%%%%
t2 = cputime;

for i=1:m
    Y2(i,:) = myConv(inputImage(i,:),Gvec)';
end

for j=1:n …

可以使用哪些方法来扩大图层输出blob的spartial维度？

据我所知,从文档中可以看出:

1. UpSampling2D 是否仅以2的幂进行上采样？它Repeats the rows and columns of the data by size[0] and size[1] respectively.也不是很聪明.

2. Conv2DTranspose 它可以有任意输出大小(不是2的功能)吗？

   如何使用任意尺寸进行双线性插值高程(它可以是具有固定权重的Conv2DTranspose？)

   还有哪些其他选项可用于放大图层输出blob的spartial维度？

我的音频信号很长x，是100000个样本的一维列表。

为简单起见，假设我要对长度为15的滤波器进行卷积处理，最后输出y100000个样本的目标滤波信号。

因此，基本上，我正在尝试y = conv(x, h)处理一维CNN，并且h训练滤镜。

在Keras中执行此操作的最佳方法是什么？我发现的所有示例似乎都具有以下形式：“每个样本都是一个长度为400个单词的序列，而卷积是沿着这400个单词的序列进行的”。由此看来，我唯一的选择似乎是将音频信号分解成大小的块sequence_length，但我真的宁愿避免这种情况，因为我基本上只有1个长度为100000的输入序列。

理想情况下，代码看起来像

import matplotlib.pylab as P
from keras.models import Model
from keras.layers import Conv1D, Input

x_train = P.randn(100000)
y_train = 2*x_train
x_val = P.randn(10000)
y_val = 2*x_val

batch_size = 64

myinput = Input(shape=(None, 1)) # shape = (BATCH_SIZE, 1D signal)
output = Conv1D(
    1, # output dimension is 1
    15, # filter length is 15
    padding="same")(myinput)

model = Model(inputs=myinput, outputs=output)

model.compile(loss='mse',
              optimizer='rmsprop',
              metrics=['mse'])


model.fit(x_train, …

OpenCV具有matchTemplate()通过在输出上滑动模板输入并生成与匹配项对应的数组输出来运行的功能。

在哪里可以了解有关如何解释六个TemplateMatchModes的更多信息？

我已根据本教程通读并实现了代码，但除了理解一个人在寻找TM_SQDIFF匹配的最小结果而在其余情况中寻找最大的结果之外，我不知道如何解释不同的方法以及一个方法的情况。会选择一个。

例如（取自本教程）

res = cv.matchTemplate(img_gray, template, cv.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where(res >= threshold)

和

R(x,y)= ?x?,y? (T?(x?,y?) ? I?(x+x?,y+y?))
        ?????????????????????????????????-------------
       sqrt(?x?,y? T?(x?,y?)^2 ? ?x?,y? I?(x+x?,y+y?)^2)

（摘自文档页面；不确定如何进行公式格式化）

我推断这TM_CCOEFF_NORMED将返回0到1之间的值，并且0.8阈值是任意的，但这只是假设。

是否需要更深入地研究在线方程式，针对标准数据集的性能度量，或有关不同模式以及何时以及为何使用一种模式的学术论文？