扩张/空洞卷积可视化

目录

可视化效果

1. 修改特征图大小

2. 调整膨胀率

3. 改变卷积核

位置 1：dilated_conv_one_pixel 函数中大小

位置 2：dilated_conv_all_map 函数中

4. 自定义可视化

完整代码 

可视化效果

1. 修改特征图大小

在main函数中，可以修改size改变特征图尺寸。

def main():
    # 初始化特征图
    size = 64  # 修改为用户希望的尺寸
    m = np.zeros(shape=(size, size), dtype=np.int32)
    center = size // 2
    m[center][center] = 1

2. 调整膨胀率

在main函数中，修改dilated_rates=[1,2,5]这行代码，改为你希望的膨胀率列表，例如[1,3,7]

def main():
    # 从下到上设置膨胀率
    dilated_rates = [1, 3, 7]  # 修改为用户希望的膨胀率
    # ...

3. 改变卷积核

位置 1：dilated_conv_one_pixel 函数中大小

找到 k: int = 3 这行代码,将 3 改为你希望的卷积核大小，例如 5。

def dilated_conv_one_pixel(center: (int, int),
                          feature_map: np.ndarray,
                          k: int = 5,  # 修改为用户希望的卷积核大小
                          r: int = 1,
                          v: int = 1):
    # ...

位置 2：dilated_conv_all_map 函数中

找到 k: int = 3 这行代码，将 3 改为你希望的卷积核大小，例如 5。

def dilated_conv_all_map(dilated_map: np.ndarray,
                        k: int = 5,  # 修改为用户希望的卷积核大小
                        r: int = 1):
    # ...

4. 自定义可视化

在plot_map 函数中
（1）修改颜色映射
  找到 c_list = ['white', 'blue', 'red'] 这行代码，将 ['white', 'blue', 'red'] 改为你希望的颜色列表，例如 ['green', 'yellow', 'purple']。
（2）修改网格线样式
  找到 ax.grid(which='minor', color='black', linestyle='-', linewidth=1.5) 这行代码，调整 color（颜色）、linestyle（线型）和 linewidth（线宽）参数。
（3）修改文字颜色切换点
  找到 thresh = 5 这行代码，将 5 改为你希望的阈值，例如 10。

def plot_map(matrix: np.ndarray):
    # ...（前置代码保持不变）
    c_list = ['green', 'yellow', 'purple']  # 修改颜色映射
    new_cmp = LinearSegmentedColormap.from_list('chaos', c_list)
    # ...（中间代码保持不变）
    ax.grid(which='minor', color='gray', linestyle='--', linewidth=1.0)  # 修改网格线样式
    # ...（中间代码保持不变）
    thresh = 10  # 修改文字颜色切换点
    # ...（后续代码保持不变）

完整代码 

特征图大小：main 函数中的 size
膨胀率：main 函数中的 dilated_rates
卷积核大小：dilated_conv_one_pixel 和 dilated_conv_all_map 函数中的 k
初始特征图：main 函数中的 m
可视化参数：plot_map 函数中的颜色、网格线和阈值
通过修改这些位置的参数，你可以灵活地定制膨胀卷积的行为和可视化效果。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import LinearSegmentedColormap


def dilated_conv_one_pixel(center: (int, int),
                           feature_map: np.ndarray,
                           k: int = 3,
                           r: int = 1,
                           v: int = 1):
    """
    膨胀卷积核中心在指定坐标center处时，统计哪些像素被利用到，
    并在利用到的像素位置处加上增量v
    Args:
        center: 膨胀卷积核中心的坐标
        feature_map: 记录每个像素使用次数的特征图
        k: 膨胀卷积核的kernel大小
        r: 膨胀卷积的dilation rate
        v: 使用次数增量
    """
    assert divmod(k, 2)[1] == 1

    # left-top: (x, y)
    left_top = (center[0] - ((k - 1) // 2) * r, center[1] - ((k - 1) // 2) * r)
    for i in range(k):
        for j in range(k):
            feature_map[left_top[1] + i * r][left_top[0] + j * r] += v


def dilated_conv_all_map(dilated_map: np.ndarray,
                         k: int = 3,
                         r: int = 1):
    """
    根据输出特征矩阵中哪些像素被使用以及使用次数，
    配合膨胀卷积k和r计算输入特征矩阵哪些像素被使用以及使用次数
    Args:
        dilated_map: 记录输出特征矩阵中每个像素被使用次数的特征图
        k: 膨胀卷积核的kernel大小
        r: 膨胀卷积的dilation rate
    """
    new_map = np.zeros_like(dilated_map)
    for i in range(dilated_map.shape[0]):
        for j in range(dilated_map.shape[1]):
            if dilated_map[i][j] > 0:
                dilated_conv_one_pixel((j, i), new_map, k=k, r=r, v=dilated_map[i][j])

    return new_map


def plot_map(matrix: np.ndarray):
    plt.figure()

    c_list = ['white', 'blue', 'red']
    new_cmp = LinearSegmentedColormap.from_list('chaos', c_list)
    plt.imshow(matrix, cmap=new_cmp)

    ax = plt.gca()
    ax.set_xticks(np.arange(-0.5, matrix.shape[1], 1), minor=True)
    ax.set_yticks(np.arange(-0.5, matrix.shape[0], 1), minor=True)

    # 显示color bar
    plt.colorbar()

    # 在图中标注数量
    thresh = 5
    for x in range(matrix.shape[1]):
        for y in range(matrix.shape[0]):
            # 注意这里的matrix[y, x]不是matrix[x, y]
            info = int(matrix[y, x])
            ax.text(x, y, info,
                    verticalalignment='center',
                    horizontalalignment='center',
                    color="white" if info > thresh else "black")
    ax.grid(which='minor', color='black', linestyle='-', linewidth=1.5)
    plt.show()
    plt.close()


def main():
    # bottom to top
    dilated_rates = [1, 2, 5]
    # init feature map
    size = 31
    m = np.zeros(shape=(size, size), dtype=np.int32)
    center = size // 2
    m[center][center] = 1
    # print(m)
    # plot_map(m)

    for index, dilated_r in enumerate(dilated_rates[::-1]):
        new_map = dilated_conv_all_map(m, r=dilated_r)
        m = new_map
    print(m)
    plot_map(m)


if __name__ == '__main__':
    main()