畳み込みニューラルネット（CNN）で画像識別をしよう!【作って理解するディープラーニング#9】

class Convolution:
    #引数として重み(フィルター)W,バイアスb,ストライドstride,バディングpadを設定
    #パディングとは特徴マップの縁を0で埋める処理
    def __init__(self, W, b, stride=1, pad=0):
        self.W = W
        self.b = b
        self.stride = stride
        self.pad = pad
        
        # 中間データ（backward時に使用）
        self.x = None   
        self.col = None
        self.col_W = None
        
        # 重み・バイアスパラメータの勾配
        self.dW = None
        self.db = None

    #順方向の演算を定義
    def forward(self, x):
        #FN:フィルタの枚数,C:チャンネル数,FH:フィルタ高さ,FW:フィルタ幅
        FN, C, FH, FW = self.W.shape
        #N:特徴マップの枚数,C:チャンネル数,H:特徴マップ高さ,W:特徴マップ幅
        N, C, H, W = x.shape
        #パディング
        out_h = 1 + int((H + 2*self.pad - FH) / self.stride)
        out_w = 1 + int((W + 2*self.pad - FW) / self.stride)
        #チャンネルを含む３次元データを２次元データに成形
        col = im2col(x, FH, FW, self.stride, self.pad)
        col_W = self.W.reshape(FN, -1).T
        #畳み込み演算
        out = np.dot(col, col_W) + self.b
        out = out.reshape(N, out_h, out_w, -1).transpose(0, 3, 1, 2)

        self.x = x
        self.col = col
        self.col_W = col_W

        return out
    #逆方向の演算（逆伝播）を定義
    def backward(self, dout):
        FN, C, FH, FW = self.W.shape
        dout = dout.transpose(0,2,3,1).reshape(-1, FN)

        self.db = np.sum(dout, axis=0)
        self.dW = np.dot(self.col.T, dout)
        self.dW = self.dW.transpose(1, 0).reshape(FN, C, FH, FW)

        dcol = np.dot(dout, self.col_W.T)
        dx = col2im(dcol, self.x.shape, FH, FW, self.stride, self.pad)

        return dx

class Pooling:
    #引数としてプール高さpool_h,プール幅pool_w,ストライド,パディングを指定
    def __init__(self, pool_h, pool_w, stride=1, pad=0):
        self.pool_h = pool_h
        self.pool_w = pool_w
        self.stride = stride
        self.pad = pad
        
        self.x = None
        self.arg_max = None
    #順方向の演算を定義
    def forward(self, x):
        #N:特徴マップの枚数,C:チャンネル数,H:特徴マップ高さ,W:特徴マップ幅
        N, C, H, W = x.shape
        
        #pooling後のサイズ計算
        out_h = int(1 + (H - self.pool_h) / self.stride)
        out_w = int(1 + (W - self.pool_w) / self.stride)
        
        #チャンネルを含む３次元データを２次元データに成形
        col = im2col(x, self.pool_h, self.pool_w, self.stride, self.pad)
        col = col.reshape(-1, self.pool_h*self.pool_w)

        #Max-pooling処理の実行
        arg_max = np.argmax(col, axis=1)
        out = np.max(col, axis=1)
        out = out.reshape(N, out_h, out_w, C).transpose(0, 3, 1, 2)

        self.x = x
        self.arg_max = arg_max

        return out
    #逆方向の演算（逆伝播）を定義
    def backward(self, dout):
        dout = dout.transpose(0, 2, 3, 1)
        
        pool_size = self.pool_h * self.pool_w
        dmax = np.zeros((dout.size, pool_size))
        dmax[np.arange(self.arg_max.size), self.arg_max.flatten()] = dout.flatten()
        dmax = dmax.reshape(dout.shape + (pool_size,)) 
        
        dcol = dmax.reshape(dmax.shape[0] * dmax.shape[1] * dmax.shape[2], -1)
        dx = col2im(dcol, self.x.shape, self.pool_h, self.pool_w, self.stride, self.pad)
        
        return dx