0

我是深度学习的初学者,并试图理解算法是如何工作的,并使用JavaScript编写它们。现在我正在研究像Tensorflow那样的conv2d的JavaScript实现,并且误解了如何处理不同数量的过滤器,我已经成功地实现了一个输出过滤器和多个输出,但是我很困惑如何使用多个过滤器输入操作来生成操作。 32 - > 64Tensorflow,conv2d和过滤器

下面是代码例如使用ndarray

const outCount = 32 // count of inputs filters 
const inCount = 1 // count of output features 
const filterSize = 3 
const stride = 1 
const inShape = [1, 10, 10, outCount] 
const outShape = [ 
    1, 
    Math.ceil((inShape[1] - filterSize + 1)/stride), 
    Math.ceil((inShape[2] - filterSize + 1)/stride), 
    outCount 
]; 
const filters = ndarray([], [filterSize, filterSize, inCount, outCount]) 

const conv2d = (input) => { 
    const result = ndarray(outShape) 
    // for each output feature 

    for (let fo = 0; fo < outCount; fo += 1) { 
    for (let x = 0; x < outShape[1]; x += 1) { 
     for (let y = 0; y < outShape[2]; y += 1) { 
     const fragment = ndarray([], [filterSize, filterSize]); 
     const filter = ndarray([], [filterSize, filterSize]); 

     // agregate fragment of image and filter 
     for (let fx = 0; fx < filterSize; fx += 1) { 
     for (let fy = 0; fy < filterSize; fy += 1) { 
      const dx = (x * stride) + fx; 
      const dy = (y * stride) + fy; 

      fragment.data.push(input.get(0, dx, dy, 0)); 
      filter.data.push(filters.get(fx, fy, 0, fo)); 
     } 
     } 

     // calc dot product of filter and image fragment 
     result.set(0, x, y, fo, dot(filter, fragment)); 
     } 
    } 
    } 

    return result 
} 

对于测试我使用Tenforflow为真,并将其算法的一个源工作正确的,但与1 -> N。但我的问题是如何在输入值中添加多个过滤器的支持,如N -> M

有人可以解释一下如何修改这个算法,使它更加兼容Tensorflow tf.nn.conv2d 非常感谢。

回答

0

您需要添加另一个for循环。你没有指定所有的输入形状和尺寸,所以它确实很难写完,但看起来像这样。

// agregate fragment of image and filter 
    for (let fx = 0; fx < filterSize; fx += 1) { 
    for (let fy = 0; fy < filterSize; fy += 1) { 
     //addition 
     for (let ch = 0; ch < input.get_channels) { 
     const dx = (x * stride) + fx; 
     const dy = (y * stride) + fy; 

     fragment.data.push(input.get(0, dx, dy, ch)); 
     filter.data.push(filters.get(fx, fy, ch, fo)); 
     } 
    } 
    } 
+0

看起来你是绝对正确的,非常感谢你! – XMANX