【按要求实现卷积运算】 问题描述:伴随着以AlexNet和VGG为代表的卷积神经网络结构的推出,图片分类进入到以卷积神经网络为基本工具的时代,图像卷积运算作为图像深度 学习任务的核心模块,其重要性不言而喻,请按要求实现单通道图像卷积运算函数。(注:直接调用库函数中的卷积运算,即使通过,也判定 本题得分为零分) 注意:卷积核尺寸始终为奇数[m,n],在做卷积之前需要进行上下左右对称零填充,上下左右各填充floor(m/2)行或floor(n/2)列,输入的图像 以及卷积核按照行扫描存储到一维数组中,输出也按照行扫描存储一维数组 输入描述:  单通道卷积尺寸及卷积核(kernel):3 3, 1 2 1 2 4 2 1 2 1  单通道图像尺寸及数据(image):5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  步长(stride):1 输出描述:  输出图像尺寸及数据(output):5 5, 9 12 12 12 9 12 16 16 16 12 12 16 16 16 12 12 16 16 16 12 9 12  12 12 9  输入样例:  5 5, 1 1 1 1 1 1 2 2 2 1 1 2 4 2 1 1 2 2 2 1 1 1 1 1 1  5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  2  输出样例: 3 3, 15 23 15 23 36 23 15 23 15

区块链毕设网qklbishe.com为您提供问题的解答

【按要求实现卷积运算】
问题描述:伴随着以AlexNet和VGG为代表的卷积神经网络结构的推出,图片分类进入到以卷积神经网络为基本工具的时代,图像卷积运算作为图像深度 学习任务的核心模块,其重要性不言而喻,请按要求实现单通道图像卷积运算函数。(注:直接调用库函数中的卷积运算,即使通过,也判定 本题得分为零分)
【按要求实现卷积运算】    问题描述:伴随着以AlexNet和VGG为代表的卷积神经网络结构的推出,图片分类进入到以卷积神经网络为基本工具的时代,图像卷积运算作为图像深度 学习任务的核心模块,其重要性不言而喻,请按要求实现单通道图像卷积运算函数。(注:直接调用库函数中的卷积运算,即使通过,也判定 本题得分为零分)        注意:卷积核尺寸始终为奇数[m,n],在做卷积之前需要进行上下左右对称零填充,上下左右各填充floor(m/2)行或floor(n/2)列,输入的图像 以及卷积核按照行扫描存储到一维数组中,输出也按照行扫描存储一维数组    输入描述:    单通道卷积尺寸及卷积核(kernel):3 3, 1 2 1 2 4 2 1 2 1  单通道图像尺寸及数据(image):5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  步长(stride):1           输出描述:    输出图像尺寸及数据(output):5 5, 9 12 12 12 9 12 16 16 16 12 12 16 16 16 12 12 16 16 16 12 9 12  12 12 9           输入样例:    5 5, 1 1 1 1 1 1 2 2 2 1 1 2 4 2 1 1 2 2 2 1 1 1 1 1 1  5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  2        输出样例: 3 3, 15 23 15 23 36 23 15 23 15
注意:卷积核尺寸始终为奇数[m,n],在做卷积之前需要进行上下左右对称零填充,上下左右各填充floor(m/2)行或floor(n/2)列,输入的图像 以及卷积核按照行扫描存储到一维数组中,输出也按照行扫描存储一维数组
输入描述: 
单通道卷积尺寸及卷积核(kernel):3 3, 1 2 1 2 4 2 1 2 1  单通道图像尺寸及数据(image):5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  步长(stride):1

【按要求实现卷积运算】    问题描述:伴随着以AlexNet和VGG为代表的卷积神经网络结构的推出,图片分类进入到以卷积神经网络为基本工具的时代,图像卷积运算作为图像深度 学习任务的核心模块,其重要性不言而喻,请按要求实现单通道图像卷积运算函数。(注:直接调用库函数中的卷积运算,即使通过,也判定 本题得分为零分)        注意:卷积核尺寸始终为奇数[m,n],在做卷积之前需要进行上下左右对称零填充,上下左右各填充floor(m/2)行或floor(n/2)列,输入的图像 以及卷积核按照行扫描存储到一维数组中,输出也按照行扫描存储一维数组    输入描述:    单通道卷积尺寸及卷积核(kernel):3 3, 1 2 1 2 4 2 1 2 1  单通道图像尺寸及数据(image):5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  步长(stride):1           输出描述:    输出图像尺寸及数据(output):5 5, 9 12 12 12 9 12 16 16 16 12 12 16 16 16 12 12 16 16 16 12 9 12  12 12 9           输入样例:    5 5, 1 1 1 1 1 1 2 2 2 1 1 2 4 2 1 1 2 2 2 1 1 1 1 1 1  5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  2        输出样例: 3 3, 15 23 15 23 36 23 15 23 15

输出描述: 
输出图像尺寸及数据(output):5 5, 9 12 12 12 9 12 16 16 16 12 12 16 16 16 12 12 16 16 16 12 9 12  12 12 9 

输入样例: 
5 5, 1 1 1 1 1 1 2 2 2 1 1 2 4 2 1 1 2 2 2 1 1 1 1 1 1  5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  2 

输出样例: 3 3, 15 23 15 23 36 23 15 23 15
from math import floor import numpy as np #print('请输入卷积核信息:') kernel_msg=input() kernel_sz=kernel_msg.split(',')[0] kernel_ele=kernel_msg.split(',')[1] m,n=int(kernel_sz.split()[0]),int(kernel_sz.split()[1]) kernel_ele=kernel_ele.split() lst=[int(x) for x in kernel_ele] kernel=np.array(lst) kernel=kernel.reshape(m,n) #print(kernel.shape[0])  #print('请输入图片信息:') img_msg=input() img_sz=img_msg.split(',')[0] img_ele=img_msg.split(',')[1] img_m,img_n=int(img_sz.split()[0]),int(img_sz.split()[1]) img_ele=img_ele.split() lst=[int(x) for x in img_ele] img=np.array(lst) img=img.reshape(img_m,img_n)  #print('请输入步长信息:') stride=int(input())  def conv2d(kernel,img,stride=1):     conv_res=np.zeros((img.shape[0],img.shape[1]))     m,n=kernel.shape[0],kernel.shape[1]     padding_m=floor(m/2)     padding_n=floor(n/2)     img_m,img_n=img.shape[0],img.shape[1]     zero_mat=np.zeros((img_m+2*padding_m,img_n+2*padding_n))     zero_mat[padding_m:padding_m+img_m,padding_n:padding_n+img_n]=img     img=zero_mat     for i in range(0,img.shape[0]-m+1,stride):         for j in range(0,img.shape[1]-n+1,stride):             val=np.sum(kernel*img[i:i+m,j:j+n])             conv_res[i][j]=val     return conv_res conv_res=conv2d(kernel,img,stride) lst=conv_res.tolist() lst=[_ for item in lst for _ in item] res='{} {},'.format(conv_res.shape[0],conv_res.shape[1]) for i in lst:     res+=' '+str(int(i)) print(res)  

06:31

以上就是关于问题【按要求实现卷积运算】 问题描述:伴随着以AlexNet和VGG为代表的卷积神经网络结构的推出,图片分类进入到以卷积神经网络为基本工具的时代,图像卷积运算作为图像深度 学习任务的核心模块,其重要性不言而喻,请按要求实现单通道图像卷积运算函数。(注:直接调用库函数中的卷积运算,即使通过,也判定 本题得分为零分) 注意:卷积核尺寸始终为奇数[m,n],在做卷积之前需要进行上下左右对称零填充,上下左右各填充floor(m/2)行或floor(n/2)列,输入的图像 以及卷积核按照行扫描存储到一维数组中,输出也按照行扫描存储一维数组 输入描述:  单通道卷积尺寸及卷积核(kernel):3 3, 1 2 1 2 4 2 1 2 1  单通道图像尺寸及数据(image):5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  步长(stride):1
输出描述:  输出图像尺寸及数据(output):5 5, 9 12 12 12 9 12 16 16 16 12 12 16 16 16 12 12 16 16 16 12 9 12  12 12 9 
输入样例:  5 5, 1 1 1 1 1 1 2 2 2 1 1 2 4 2 1 1 2 2 2 1 1 1 1 1 1  5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  2 
输出样例: 3 3, 15 23 15 23 36 23 15 23 15的答案

欢迎关注区块链毕设网-
专业区块链毕业设计成品源码,定制。

区块链NFT链游项目方科学家脚本开发培训

从业7年-专注一级市场


微信:btc9767
TELEGRAM :https://t.me/btcok9

具体资料介绍

web3的一级市场千万收益的逻辑


进群点我



qklbishe.com区块链毕设代做网专注|以太坊fabric-计算机|java|毕业设计|代做平台-javagopython毕设 » 【按要求实现卷积运算】 问题描述:伴随着以AlexNet和VGG为代表的卷积神经网络结构的推出,图片分类进入到以卷积神经网络为基本工具的时代,图像卷积运算作为图像深度 学习任务的核心模块,其重要性不言而喻,请按要求实现单通道图像卷积运算函数。(注:直接调用库函数中的卷积运算,即使通过,也判定 本题得分为零分) 注意:卷积核尺寸始终为奇数[m,n],在做卷积之前需要进行上下左右对称零填充,上下左右各填充floor(m/2)行或floor(n/2)列,输入的图像 以及卷积核按照行扫描存储到一维数组中,输出也按照行扫描存储一维数组 输入描述:  单通道卷积尺寸及卷积核(kernel):3 3, 1 2 1 2 4 2 1 2 1  单通道图像尺寸及数据(image):5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  步长(stride):1 输出描述:  输出图像尺寸及数据(output):5 5, 9 12 12 12 9 12 16 16 16 12 12 16 16 16 12 12 16 16 16 12 9 12  12 12 9  输入样例:  5 5, 1 1 1 1 1 1 2 2 2 1 1 2 4 2 1 1 2 2 2 1 1 1 1 1 1  5 5, 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1  2  输出样例: 3 3, 15 23 15 23 36 23 15 23 15