深度学习入门之im2col函数的实现

此篇博客为作者对《深度学习入门——基于Python的理论和实现》一书中的im2col函数的笔记

1 学习该函数前需要具备什么知识？

需要了解卷积的相关知识

2 im2col函数的作用（为什么要使用im2co函数）？

卷积运算需要好几层for语句，这样实现麻烦，而且numpy中存在使用for语句变慢的缺点，所以不使用for语句，而用im2col函数代替。

im2col全称image to column（从图像到矩阵），作用为加速卷积运算。即把包含批数量的4维数据转换成2维数据。（也就是将输入数据降维，然后通过numpy的矩阵运算后得到结果，再将结果的形状还原，从而通过用矩阵运算来代替for循环语句）

如图所示，输入数据为四维（N, C, H, W），分别为数据个数， 通道数， 高， 长

                 滤波器为四维（FN, C, FH, FW），分别为滤波器个数， 通道数， 滤波器高， 滤波器长

                 输出数据为四维（N, FN, OH, OW），分别为数据个数， 通道数， 高， 长

代码如下：

def im2col(input_data, filter_h, filter_w, stride=1, pad=0):"""Parameters----------input_data : 由(数据量, 通道, 高, 长)的4维数组构成的输入数据filter_h : 滤波器的高filter_w : 滤波器的长stride : 步幅pad : 填充Returns-------col : 2维数组"""N, C, H, W = input_data.shape  #数据量、 通道、 高、 宽#输出数据高宽可由以下公式计算，不懂的同学可以去看卷积的相关知识（就是一个数学公式而已，记住就好）out_h = (H + 2*pad - filter_h)//stride + 1  #输出数据高 //表示向下取整除法  例：3//2=1out_w = (W + 2*pad - filter_w)//stride + 1  #输出数据宽#np.pad教程：   https://blog.csdn.net/hustqb/article/details/77726660img = np.pad(input_data, [(0,0), (0,0), (pad, pad), (pad, pad)], 'constant')#初始化一个六维数组  （数据个数， 通道数， 滤波器高， 滤波器宽， 输出高， 输出宽）col = np.zeros((N