「詳細圖解」再次理解im2col
2022-08-29由 酷扯兒 發表于 林業
矩陣點乘公式怎麼算
「來源: |GiantPandaCV ID:BBuf233」
一句話:im2col是將一個[C,H,W]矩陣變成一個[H,W]矩陣的一個方法,其原理是利用了行列式進行等價轉換。
為什麼要做im2col? 減少呼叫gemm的次數。
重要:本次的程式碼只是為了方便理解im2col,不是用來做加速,所以程式碼寫的很簡單且沒有做任何最佳化。
一、卷積的視覺化
例子是一個[1, 6, 6]的輸入,卷積核是[1, 3, 3],stride等於1,padding等於0。那麼卷積的過程視覺化如下圖,一共需要做16次卷積計算,每次卷積計算有9次乘法和8次加法。
輸出的公式如下,即Output_height = (6 - 3 + 2*0)/1 + 1 = 4 = Output_width
二、行列式
乘號左邊的橫條,跟乘號右邊的豎條進行點乘(即每個元素對應相乘後再全部加起來)。
關於行列式,大家都清楚的一點,一根橫條的元素個數要等於一根豎條的元素個數(這樣才可以讓做點乘的時候能一一對應起來,不會讓小方塊落單)。豎條有多少條,出來的結果就有多少個小方塊(在橫條的個數為1的情況下)。
出來的結果(等號的右邊)的行數等於乘號左邊的橫條的行數,出來的結果(等號的右邊)的列數等於乘號右邊的橫條的列數,公式表示就是[row, x] * [x, col] = [row, col]。舉個例子[3, 8] * [8, 4] = [3, 4]
在這裡插入圖片描述三、[1, H, W]的im2col
展開後,就可以直接做兩個陣列的矩陣乘積了
import numpy as np
scr = np。array(np。arange(0,7**2)。reshape(7, 7))
intH, intW= scr。shape
kernel = np。array([-0。2589, 0。2106, -0。1583, -0。0107, 0。1177, 0。1693, -0。1582, -0。3048, -0。1946])。reshape(3,3)
KHeight, KWeight = kernel。shape
row_num = intH - KHeight + 1
col_num = intW - KWeight + 1
OutScrIm2Col = np。zeros([row_num*col_num,KHeight*KWeight])
ii, jj = 0, 0
col_cnt, row_cnt = 0, 0
for i in range(0, row_num):
for j in range(0, col_num): # 這倆個for是為了遍歷列,即乘了多少次,這裡完全可以merge成一個for迴圈,只需要提前計算好就行
ii = i
jj = j
for iii in range(0, KHeight): # 這倆個for是為了取出一次 一橫 * 一豎 的 行列式,這裡完全可以mege成一個for迴圈,只需要提前計算好就行
for jjj in range(0, KHeight):
OutScrIm2Col[row_cnt][col_cnt] = scr[ii][jj]
jj +=1
col_cnt += 1
ii += 1
jj = j
col_cnt = 0
row_cnt += 1
im2col_kernel = im2col_kernel。reshape(-1,9)
OutScrIm2Col = OutScrIm2Col。T
out = np。matmul(im2col_kernel,OutScrIm2Col) # 這步就是做兩個陣列的矩陣乘積
中間倆個for迴圈是來填滿展開的陣列/矩陣的每一列,即卷積核對應的元素,其個數等於卷積核的元素個數,舉個例子,[1, 3, 3]的卷積核,那麼該卷積核的元素個數等於9;最外層的兩個for迴圈是用來填滿展開的陣列/矩陣的每一行,即列數,也就是
卷積核在輸入滑動了多少次
pytorch來做驗證
import torch
from torch import nn
import numpy as np
torch。manual_seed(100)
net = nn。Conv2d(1, 1, 3, padding=0, bias=False)
scr = np。array(np。arange(0, 7**2)。reshape(1, 1, 7, 7))。astype(np。float32)
scr = torch。from_numpy(scr)
print(net。weight。data) # 把這裡的weight的值複製到上面numpy的程式碼來做驗證
print(net(scr))
# print的資訊
tensor([[[[-0。2589, 0。2106, -0。1583],
[-0。0107, 0。1177, 0。1693],
[-0。1582, -0。3048, -0。1946]]]])
tensor([[[[ -7。6173, -8。2053, -8。7934, -9。3815, -9。9695],
[-11。7337, -12。3217, -12。9098, -13。4978, -14。0859],
[-15。8500, -16。4381, -17。0261, -17。6142, -18。2022],
[-19。9664, -20。5545, -21。1425, -21。7306, -22。3186],
[-24。0828, -24。6708, -25。2589, -25。8469, -26。4350]]]],
grad_fn=
四、[C, H, W]的im2col
在這裡插入圖片描述
前面一堆圖,是我故意不寫文字,希望大家能夠透過圖能夠看明白。前面卷積核只有一行的情況,跟[1, H, W]的情況基本一摸一樣,只是這一行的元素個數等於卷積核的元素個數即可5x3x3=45,展開的特徵圖的每一個豎條也是45。
當卷積核函式等於3的時候,就是對應的只要增加捲積核的橫條數即可,展開的特徵圖沒有改變。這裡希望大家用行列式的計算和普通卷積的過程聯想起來,你會發現是一摸一樣的計算過程。
程式碼其實跟[1,H, W]只有一初不同,就是從特徵圖裡面取資料的時候多了個維度,需要取對應的通道。這裡為什麼要取對應的通道數呢?原因是行列式的計算中,橫條和豎條是元素一一對應做乘法。
import numpy as np
np。set_printoptions(threshold=np。inf)
src = np。array(np。arange(0, 9**3))[0:5*9*9]
src = np。tile(src, 5)
src = src。reshape(-1, 5, 9, 9)
kernel = np。array([[[[-0。1158, 0。0942, -0。0708],
[-0。0048, 0。0526, 0。0757],
[-0。0708, -0。1363, -0。0870]],
[[-0。1139, -0。1128, 0。0702],
[ 0。0631, 0。0857, -0。0244],
[ 0。1197, 0。1481, 0。0765]],
[[-0。0823, -0。0589, -0。0959],
[ 0。0966, 0。0166, 0。1422],
[-0。0167, 0。1335, 0。0729]],
[[-0。0032, -0。0768, 0。0597],
[ 0。0083, -0。0754, 0。0867],
[-0。0228, -0。1440, -0。0832]],
[[ 0。1352, 0。0615, -0。1005],
[ 0。1163, 0。0049, -0。1384],
[ 0。0440, -0。0468, -0。0542]]]])
scrN, srcChannel, intH, intW= src。shape
KoutChannel, KinChannel, kernel_H, kernel_W = kernel。shape
im2col_kernel = kernel。reshape(KoutChannel, -1)
outChannel, outH, outW = KoutChannel, (intH - kernel_H + 1) , (intW - kernel_W + 1)
OutScrIm2Col = np。zeros( [ kernel_H*kernel_W*KinChannel, outH*outW ] )
row_num, col_num = OutScrIm2Col。shape
ii, jj, cnt_row, cnt_col = 0, 0, 0, 0
# 卷積核的reshape準備 :outchannel, k*k*inchannel
im2col_kernel = kernel。reshape(KoutChannel, -1)
# 輸入的reshape準備 :outH = (intH - k + 2*pading)/stride + 1
outChannel, outH, outW = KoutChannel, (intH - kernel_H + 1) , (intW - kernel_W + 1)
i_id = -1
cnt_col = -1
cnr = 0
for Outim2colCol_H in range(0, outH):
i_id += 1
j_id = -1
cnt_row = -1
for Outim2colCol_W in range(0, outW):
j_id, cnt_col += 1, += 1
cnt_row = 0
for c in range(0, srcChannel): # 取一次卷積的資料,放到一列
for iii in range(0, kernel_H):
i_number = iii + i_id
for jjj in range(0, kernel_W):
j_number = jjj + j_id
OutScrIm2Col[cnt_row][cnt_col] = src[bs][c][i_number][j_number]
cnr +=1
cnt_row += 1
Out = np。matmul(im2col_kernel, OutScrIm2Col)
Out。reshape(outChannel, outH, outW)
print(Out。shape)
print(outChannel, outH, outW)
pytorch程式碼的驗證
import torch
from torch import nn
import numpy as np
torch。manual_seed(100)
net = nn。Conv2d(in_channels=5, out_channels=1, kernel_size=3, padding=0, bias=False)
print(net。weight。data。shape)
print(net。weight。data)
scr = np。array(np。arange(0, 9**3))[:9*9*5]。reshape(1, -1, 9, 9)。astype(np。float32)
scr = torch。from_numpy(src)
print(“data:”, scr。shape)
scr = torch。from_numpy(scr)
print(“data:”, scr。shape)
Out = net(scr)
print(“Our:”, Out。shape)
print(Out)
五、[B, C, H, W]的im2col
問題:如何bs=9的情況呢,要怎麼做im2col+gemm呢?方法 1:把filter攤平的shape變成[3,5339],把input攤平的shape變成[5339,16]
– output的shape就為[3,16]了 -
方法 2:把filter攤平的shape變成[39,533],把input攤平的shape變成[533,16],output的shape就為[39,16]了
– 隱患:如何filter數量是51233這種數量,那麼非常佔用視訊記憶體/記憶體
方法 3:im2col+gemm外面加一層關於bs的for迴圈
– 隱患:加一層for迴圈巢狀非常耗時
經過簡單分析,發現採取for迴圈的方式來進行im2col是相對合適的情況。我向msnh2012的作者穆士凝魂請教,得到的答案是,是用加一層for迴圈的方式居多,而且由於可以併發,多一層迴圈的開銷比想象中小一些。如果是推理框架的話,有部分情況bs是等於1的,所以可以規避這個問題。
歡迎關注GiantPandaCV
歡迎聯絡&投稿