数据预处理 —— padding数据
1. 论Conv2d()里的padding和Conv2d()前padding的区别及重要性。
小生建议,尽量少用Conv2d()里的填充方式,换成自定义填充方式(强烈建议)。
小生为何这样建议呢,是因为小生以前就常使用Conv2d()里的padding方式,觉得这样使用简单、不麻烦(O(∩_∩)O哈哈~ 感觉当时好憨哟!)。可是在某一次实验中,得到的效果图在边缘位置十分不理想,我想啊想,想啊想,图像边缘位置我只做过零填充,当时就引起了我的注意,然后通过做对比实验,发现问题还真是由零填充导致的,太开心了(*^▽^*),实验又有突破了。这次不在卷积时做零填充,换成卷积前做重复填充。什么是重复填充了?就是复制边缘的像素来填充。
Conv2d()里的padding,采用的是零填充,即在图像像素周围填充零像素点,这样做的坏处是很可能在边缘处产生伪影。还有一点就是Pytorch中Conv2d()卷积,当卷积核的尺寸是偶数时,不好做‘same’方式卷积,因为Conv2d()在填充时,上边缘与下边缘填充数是一样的,很难改变。
Conv2d()前的padding,可以根据自己的需求填充,目前有四种填充方式,① 零填充;② 常数填充;③ 镜像填充;④ 重复填充;这种方式比较灵活,也很简单,客观可以根据自己的需求来选择使用,四种填充方式,可查看小生的另一篇博文。
小生就不多言了,上案列,客官请下观~~。
2. 例子
2.1 Conv2d()零填充
2.1.1 Code
小生在这里给了代码片段,这里就是想告诉客官怎么做卷积的填充。
- # 读取图片
- image1_path = "./fusion_datasets/lytro-01-A.jpg"
- image1 = Image.open(image1_path)
- # 归一化处理和转为tensor
- input_transform = transforms.Compose([
- transforms.Grayscale(1),
- transforms.ToTensor(),
- ])
- image1_tensor = input_transform(image1).unsqueeze(0)
- # 卷积
- conv2 = nn.Conv2d(1, 3, 8,padding = 4)
- image1_conv = conv2(image1_pad)
2.1.2 结果显示
客官勿怪,此图是我的实验,过程中的图,还没做到最好的效果,O(∩_∩)O哈哈~,有点不好意思了,捂脸(*/ω\*)!客官请看边缘处,是不是很多白点,这都是零填充导致的效果不好,将这张图和自定义填充之边缘填充的图对照。
2.2 自定义填充之边缘复制填充
2.2.1 Code
小生在这里给了代码片段,这里就是想告诉客官怎么做卷积前的填充。
- # 读取图片
- image1_path = "./fusion_datasets/lytro-01-A.jpg"
- image1 = Image.open(image1_path)
- # 归一化处理和转为tensor
- input_transform = transforms.Compose([
- transforms.Grayscale(1),
- transforms.ToTensor(),
- ])
- image1_tensor = input_transform(image1).unsqueeze(0)
- # 自定义填充之边缘复制填充
- ReplicationPad = nn.ReplicationPad2d(padding=(3, 4, 3, 4))
- image1_pad = ReplicationPad(image1_tensor)
- # 卷积
- conv2 = nn.Conv2d(1, 3, 8)
- image1_conv = conv2(image1_pad)
2.2.2 结果显示
此图与上图对照,边缘的白点基本没有了,嘿嘿(*^▽^*),好开心(*^▽^*)!
3. 总结
努力去爱周围的每一个人,付出,不一定有收获,但是不付出就一定没有收获! 给街头卖艺的人零钱,不和深夜还在摆摊的小贩讨价还价。愿我的博客对你有所帮助(*^▽^*)(*^▽^*)!
如果客官喜欢小生的园子,记得关注小生哟,小生会持续更新(#^.^#)(#^.^#)!
数据预处理 —— padding数据的更多相关文章
- 第七篇:数据预处理(四) - 数据归约(PCA/EFA为例)
前言 这部分也许是数据预处理最为关键的一个阶段. 如何对数据降维是一个很有挑战,很有深度的话题,很多理论书本均有详细深入的讲解分析. 本文仅介绍主成分分析法(PCA)和探索性因子分析法(EFA),并给 ...
- 数据预处理之数据规约(Data Reduction)
数据归约策略 数据仓库中往往具有海量的数据,在其上进行数据分析与挖掘需要很长的时间 数据归约 用于从源数据中得到数据集的归约表示,它小的很多,但可以产生相同的(几乎相同的)效果 数据归约策略 维归约 ...
- c++ 数据预处理(数据去噪,归一化)
正态分布3σ原则,把3倍方差之外的点设想为噪声数据来排除. 归一化,将数据经过处理之后限定到一定的范围内,一般都会将数据限定到[0,1]. #include <iostream>#incl ...
- R语言--数据预处理
一.日期时间.字符串的处理 日期 Date: 日期类,年与日 POSIXct: 日期时间类,精确到秒,用数字表示 POSIXlt: 日期时间类,精确到秒,用列表表示 Sys.date(), date( ...
- WEKA中的数据预处理
数据预处理包括数据的缺失值处理.标准化.规范化和离散化处理. 数据的缺失值处理:weka.filters.unsupervised.attribute.ReplaceMissingValues. 对于 ...
- R语言数据预处理
R语言数据预处理 一.日期时间.字符串的处理 日期 Date: 日期类,年与日 POSIXct: 日期时间类,精确到秒,用数字表示 POSIXlt: 日期时间类,精确到秒,用列表表示 Sys.date ...
- 小白学 Python 数据分析(9):Pandas (八)数据预处理(2)
人生苦短,我用 Python 前文传送门: 小白学 Python 数据分析(1):数据分析基础 小白学 Python 数据分析(2):Pandas (一)概述 小白学 Python 数据分析(3):P ...
- TensorLayer官方中文文档1.7.4:API – 数据预处理
所属分类:TensorLayer API - 数据预处理¶ 我们提供大量的数据增强及处理方法,使用 Numpy, Scipy, Threading 和 Queue. 不过,我们建议你直接使用 Tens ...
- TensorFlow从1到2(三)数据预处理和卷积神经网络
数据集及预处理 从这个例子开始,相当比例的代码都来自于官方新版文档的示例.开始的几个还好,但随后的程序都将需要大量的算力支持.Google Colab是一个非常棒的云端实验室,提供含有TPU/GPU支 ...
随机推荐
- Linux 提高操作效率之 tab 命令补全
最近在使用阿里云 ECS 时,发现 Centos 无法进行 tab 补全,特别影响操作效率,本文简单记录下 Linux 下的 tab 命令补全功能,希望对 Linux 初学者有所帮助. 安装 Linu ...
- L6循环神经网络
循环神经网络 本节介绍循环神经网络,下图展示了如何基于循环神经网络实现语言模型.我们的目的是基于当前的输入与过去的输入序列,预测序列的下一个字符.循环神经网络引入一个隐藏变量HHH,用HtH_{t}H ...
- stand up meeting 11/20/2015
3组员 今日工作 工作耗时/h 明日计划 计划耗时/h 冯晓云 将输出string里的翻译合理取分为动名词等各种词性,按约定格式返回,按热度排列,但每一个词性下的解释仍然是由“$$”分词:对于查询词为 ...
- Mysql大厂高频面试题
前言 前几天有读者找到我,说想要一套全面的Mysql面试题,今天陈某特地为她写了一篇. 文章的目录如下: Mysql面试题 什么是SQL? 结构化查询语言(Structured Query Langu ...
- 引用传参与reference_wrapper
本文是<functional>系列的第3篇. 引用传参 我有一个函数: void modify(int& i) { ++i; } 因为参数类型是int&,所以函数能够修改传 ...
- testlink的api
testlink可以做很多你想象得到的事情,如API测试参数管理,Excel导入导出,快速模板创建测试用例,集成Jenkins. TestLink API第三方库: TestLink-API-Pyth ...
- Springboot:员工管理之首页(十(2))
访问首页可以通过两种方式: 1:编写controller 2:自定义扩展视图解析器(推荐使用) 1:编写Controller com\springboot\controller\IndexContro ...
- 关于virtual box 虚拟机使用
关于virtual box的使用,如果想用共享文档:比如当前系统为Ubuntu,virtual box安装了win7,win7与Ubuntu之间的文件使用,就可以利用 共享文档 这个便利的功能—— 在 ...
- The new SFCB broker fails to start with a SSL-related error: Failure setting ECDH curve name (secp22
# openssl ecparam -list_curves secp384r1 : NIST/SECG curve over a 384 bit prime field secp521r1 : NI ...
- VC++ QT 数组的初始化
数组有时会初始化为0. 但加了一个 QThread 的派生类对象之后,数组就不再被初始化为0了. 所以对于数组还是要手动初始化,否则可能产生无法预料的现象.