Python 手工制作三维卷积神经网络的形状误差

我有以下二维卷积的代码：

matrix = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])
kernel = np.array([[1,-1],[1,-1]])

kr, kc = kernel.shape
mr, mc = matrix.shape

output = np.empty((mc-kc+1, mr-kr+1))

for row in range(mc-kc+1):
    for column in range(mr-kr+1):
        output[row][column] = (matrix[row:row+kr,column:column+kc]*kernel).sum()

print(output)

我想在真彩色图像上试试这个，以下是我尝试过的

#matrix is now 3D
print(matrix.shape)
Out: (340, 360, 3)

#kernel is now 3D
print(kernel.shape)
Out: (34, 36, 3)

kr, kc, kdim = kernel.shape
mr, mc, mdim = matrix.shape

output = np.empty((mc-kc+1, mr-kr+1, 3))

for row in range(mc-kc+1):
    for column in range(mr-kr+1):
        for dim in range(3):
            output[row][column][dim] = (matrix[row:row+kr,column:column+kc]*kernel).sum()

print(output)
Out: ValueError: operands could not be broadcast together with shapes (33,36,3) (34,36,3)

---

我认为深度维度有问题，但我仍然不知道如何修复它。帮助？

您已经在

输出

声明中以及在行和列上的循环中交换了行和列。请尝试以下版本：

# note: [rows, columns, channel]
output = np.empty((mr - kr + 1, mc - kc + 1, 3))

# note: `row` loops over matrix rows, `column` - over columns
for row in range(mr - kr + 1):
  for column in range(mc - kc + 1):
    for dim in range(3):
      output[row][column][dim] = (matrix[row:row + kr, column:column + kc] * kernel).sum()

print(output)

---

您已经在

output

声明中交换了行和列，并在行和列的循环中交换了行和列。请尝试以下版本：

# note: [rows, columns, channel]
output = np.empty((mr - kr + 1, mc - kc + 1, 3))

# note: `row` loops over matrix rows, `column` - over columns
for row in range(mr - kr + 1):
  for column in range(mc - kc + 1):
    for dim in range(3):
      output[row][column][dim] = (matrix[row:row + kr, column:column + kc] * kernel).sum()

print(output)

---

在

output=np.empty（（mc-kc+1，mr-kr+1，3））

行中，您使用的是

mc

而不是

mcm

。您的意思是在这里使用来自3d矩阵的

mcm

？或者，将

mr，mcm，mdim=matrix.shape

更改为

mr，mc，mdim=matrix.shape

这是一个打字错误，很抱歉。已经改变了它，但问题仍然是矩阵秩应该大于核秩：2D卷积使用4D张量（通常是批次的一维），3D卷积使用5D张量等等。在

output=np.empty（（mc-kc+1，mr-kr+1，3））

行中，您使用的是

mc

而不是

mcm

。您的意思是在这里使用来自3d矩阵的

mcm

？或者，将

mr，mcm，mdim=matrix.shape

更改为

mr，mc，mdim=matrix.shape

这是一个打字错误，很抱歉。已经改变了它，但问题仍然是矩阵秩应该大于核秩：2D卷积与4D张量一起工作（通常为批量1维），3D卷积与5D张量一起工作，等等。