Yolo的卷积运算源码图解之im2col.c

yolo卷积源码解读找了好久,但网上好多的解读,有点误人子弟,
之前还找到一片注释写的比源代码还多几倍的,以为我就这样看懂了?
不存在的 QWQ,后来直接自己看懂了源码,却看不懂了注释

           无奈.jpg

于是有了下面的自己理解:

先放出源码:

#include "im2col.h"#include <stdio.h>/*
**  从输入的多通道数组im（存储图像数据）中获取指定行、列、、通道数处的元素值
**  输入： im      输入，所有数据存成一个一维数组，例如对于3通道的二维图像而言，
**                每一通道按行存储（每一通道所有行并成一行），三通道依次再并成一行
**        height  每一通道的高度（即输入图像的真正的高度，补0之前）
**        width   每一通道的宽度（即输入图像的宽度，补0之前）
**        channels 输入im的通道数，比如彩色图为3通道，之后每一卷积层的输入的通道数等于上一卷积层卷积核的个数
**        row     要提取的元素所在的行（二维图像补0之后的行数）
**        col     要提取的元素所在的列（二维图像补0之后的列数）
**        channel 要提取的元素所在的通道
**        pad     图像左右上下各补0的长度（四边补0的长度一样）
**  返回： float类型数据，为im中channel通道，row-pad行，col-pad列处的元素值
**  注意：在im中并没有存储补0的元素值，因此height，width都是没有补0时输入图像真正的
**       高、宽；而row与col则是补0之后，元素所在的行列，因此，要准确获取在im中的元素值，
**       首先需要减去pad以获取在im中真实的行列数
*/float im2col_get_pixel(float *im, int height, int width, int channels,                        int row, int col, int channel, int pad){    // 减去补0长度，获取元素真实的行列数
    row -= pad;
    col -= pad;    // 如果行列数小于0,则返回0（刚好是补0的效果）
    if (row < 0 || col < 0 ||
        row >= height || col >= width) return 0;    
    // im存储多通道二维图像的数据的格式为：各通道所有行并成一行，再多通道依次并成一行，
    // 因此width*height*channel首先移位到所在通道的起点位置，加上width*row移位到
    // 所在指定通道所在行，再加上col移位到所在列
    // im[col + width*(row + height*channel)]=im[col+width*row+width*height*channel]
    return im[col + width*(row + height*channel)];
}//From Berkeley Vision's Caffe!//https://github.com/BVLC/caffe/blob/master/LICENSE/*
 将输入图片转为便于计算的数组格式，可以参考https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/
 进行辅助理解（但执行方式并不同，只是用于概念上的辅助理解），由作者的注释可知，这是直接从caffe移植过来的
 输入： data_im    输入图像
       channels   输入图像的通道数（对于第一层，一般是颜色图，3通道，中间层通道数为上一层卷积核个数）
       height     输入图像的高度（行）
       width      输入图像的宽度（列）
       ksize      卷积核尺寸
       stride     卷积核跨度
       pad        四周补0长度
       data_col   相当于输出，为进行格式重排后的输入图像数据

注:
   data_col还是按行排列，
       行数为channels*ksize*ksize,
       列数为height_col*width_col，即一张特征图总的元素个数，

*/void im2col_cpu(float* data_im,     int channels,  int height,  int width,     int ksize,  int stride, int pad, float* data_col) {    int c,h,w;    // 卷积后的尺寸计算,这里width_col=width
    int height_col = (height + 2*pad - ksize) / stride + 1;    int width_col = (width + 2*pad - ksize) / stride + 1;    /// 卷积核大小：ksize*ksize是一个卷积核的大小，通道数channels
    int channels_col = channels * ksize * ksize;    
  // 获取channels_col个对应像素核
    for (c = 0; c < channels_col; ++c) {        // 卷积核上的坐标:(w_offset,h_offset)
        int w_offset = c % ksize;        int h_offset = (c / ksize) % ksize;        int c_im = c / ksize / ksize;        for (h = 0; h < height_col; ++h) {            // 内循环等于该层输出图像列数width_col，说明最终得到的data_col总有channels_col行，height_col*width_col列
            for (w = 0; w < width_col; ++w) { 
                // 获取输入图像的对应像素坐标
                int im_row = h_offset + h * stride;                int im_col = w_offset + w * stride;                // col_index为重排后图像中的像素索引，等于c * height_col * width_col + h * width_col +w
                int col_index = (c * height_col + h) * width_col + w;
                
                data_col[col_index] = im2col_get_pixel(data_im, height, width, channels,
                        im_row, im_col, c_im, pad);
            }
        }
    }
}

看不懂?,莫方,莫方,看例子:

例子:

假设有输入data_im和卷积核如下:

这里写图片描述

那么卷积核每次划过的像素:

这里写图片描述

可知相关参数:

height=4width=4channels=1//单通道ksize=3pad=1stride=1 //这里假设为1

所以:

height_col = (height + 2*pad - ksize) / stride + 1=4
width_col = (width + 2*pad - ksize) / stride + 1=4
channels_col = channels * ksize * ksize=9

那么接下来怎么运算呢?
当c==1:
先获取输入(加了pading的)的第一行前4个数:

0 0 0 0

想下移动Stride行(这里例子取1),再取四位,即:

0 1 2 3

按上操作,往下移,取值:

0 5 6 7

0 9 10 11

最终得到data_col的第一行所有像素值
c不断自加,循环,最后得到data_col像素分布,最终结果如下:

这里写图片描述

最终的卷积运算:

由上知:
卷积核的ksize=3,展开后形状为channelsx(ksizexksize), 即1x9,
而data_col形状为channels_colx(height_colxheight_col),即9x16,

所以最终yolo会在通过convolutional_layer.c里的forward_convolutional_layer函数里的gemm函数计算卷积核l.weights和data_col的矩阵乘积,完成卷积操作

好绕~

作者：蜜丝特潮
链接：https://www.jianshu.com/p/b723ebf95fb3