我们32-32-3的图像,用5-5-3的卷积核在图像上滑过

计算如图所示(多通道图计算请自行脑补):

卷积之后的尺寸大小计算公式为:

其中:输入图片大小 W×W
Filter大小 F×F
步长strides S
padding的像素数 P
输出大小为NxN
在实际操作时,我们还会碰到 padding的两种方式 “SAME” 和 “VALID”,padding = “SAME”时,会在图像的周围填 “0”,padding = “VALID”则不需要,即 P=0。一般会选“SAME”,以来减缓图像变小的速度,二来防止边界信息丢失(即有些图像边界的信息发挥作用较少)。
padding = “VALID”:(不补0)
P=0
padding = “SAME”:(补0)
- 卷积核为奇数
Filter=1x1时,P=0;
Filter=3x3时,P=1;
Filter=05x5 时,P=2,以此类推。
P=(F-1)/2
- 卷积核的尺寸为偶数时:
Filter=6x6时,P1=【6-1/2】向上取整,P2=【6-1/2】向下取整;

本文详细解析了卷积神经网络中图像尺寸变化的计算,包括卷积核大小、步长和填充的影响。重点介绍了在SAME和VALID两种填充模式下,如何计算输出尺寸。对于奇数和偶数大小的滤波器,给出了填充的计算规则,并通过实例展示了如何应用这些公式。内容有助于理解卷积操作如何保留边界信息并控制输出大小。
最低0.47元/天 解锁文章
2334

被折叠的 条评论
为什么被折叠?



