sigmoid 函数处理图片的结果

通过实验验证，发现 torch.nn.functional.sigmoid 函数对图片的处理结果与原始图片相似，表明该函数对图片的处理并未显著改变其特征。以下是实验代码及结果分析：

import numpy as np
import torch
from torch import nn
import cv2
import matplotlib.pyplot as plt
class SiLU(nn.Module):
    @staticmethod
    def forward(x):
        return x * torch.sigmoid(x)
if __name__ == "__main__":
    # 1. 读取图片
    img2 = cv2.imread("img/2.jpg")
    images = img2.reshape(1, 3, img2.shape[0], img2.shape[1])
    data = torch.tensor(images)
    datas = torch.tensor(images, dtype=torch.float32)
    
    # 2. 应用sigmoid激活函数
    sigmoids = SiLU()
    datas = sigmoids(datas)
    
    # 3. 处理结果并保存
    datas = datas.detach().numpy()
    result = datas.reshape(img2.shape[0], img2.shape[1], 3)
    result = (result - result.min()) * (255 / result.max())
    cv2.imwrite("ss.jpg", result.astype("uint8"))
    cv2.imshow("ss", result.astype("uint8"))
    cv2.waitKey(0)

BatchNorm 对图片的标准化处理

BatchNorm 层用于对输入数据进行标准化处理，通常用于加速训练并稳定网络性能。以下是实现 BatchNorm 标准化的代码及效果展示：

import numpy as np
import torch
from torch import nn
import cv2
import matplotlib.pyplot as plt
def Norm(datas):
    v = 0.000001
    for item in datas:
        means = item.mean()  # 计算均值
        vars = item.var()    # 计算方差
        x = (item - means) / (torch.sqrt(vars + v))  # 应用标准化
        x = x.reshape(item.shape)
    return x

实验结果表明，BatchNorm 标准化对图片的处理效果较好，能够使图像颜色更加均匀，同时保持图片的原始信息。

转载地址：http://szrfk.baihongyu.com/

你可能感兴趣的文章