卷积核和padding的计算关系

最新推荐文章于 2024-11-16 03:00:00 发布
最新推荐文章于 2024-11-16 03:00:00 发布
阅读量5.2k 收藏 8
点赞数 2
分类专栏： 计算机视觉
本文详细介绍了卷积神经网络中卷积层与池化层的特征图大小计算方法，包括卷积核大小、步长及填充等关键参数的影响，并通过实例进行直观展示。

原博：https://blog.youkuaiyun.com/qq_41670192/article/details/79231732

通过卷积层与池化层后，特征图的大小怎么计算

这里引入cs231n中的课件说明一下：

卷积层：

 参数：W：宽  H：高 D：深度 K：卷积核的个数 F：卷积核的大小 S：步长 P：用0填充

W/H=[(输入大小-卷积核大小+2*P）/步长]  +1.   

举个例子

 

上图中的 output =[（7-3）+2*1]/1 +1 =7

图中也提到了padding 的选择，

  1. 如卷积核为3时 padding 选择1
  2. 如卷积核为5时 padding 选择2
  3. 如卷积核为7时 padding 选择3      

 

 

池化层

池化层的计算与卷积层一样

卷积神经网络之padding计算
itlilyer的博客
08-01 4082
padding的模式分为SAME和VALID两种方式。下面简单介绍一下两种方式输出shape的计算方法。 tensorflow VALID 计算公式： 输出的大小直接用输入的大小减去卷积核大小，加1，然后除以步长，最后对结果向上取整。 假如输入的shape为7x7的，卷积核的大小为3x3，步长为2，这样计算出的输出shape为：3x3。对于边界上没有取到的数据直接舍弃掉。 SAME 计算公式 第一步，先用输入的大小除以步长，对结果向上取整。得到输出的shape。例如，input shape是7x7，ker
卷积神经网络的padding是什么？如何计算？
qq_44815135的博客
11-21 1753
当stride = 1，dilation=1，卷积公式的输出为H_out = H_in+2p-k+1，要保证H_out = H_in,所以2p = k-1,p = (k-1)/2。假设输入尺寸是 5×5，卷积核大小是 3×3，步幅为 1。我们希望卷积操作后的输出尺寸与输入相同。根据公式推导得，P = (S(H-1)-H+K)/2,当S=2,上述例子为，P = floor[(8-4+3)/2]=3。
通过卷积层和池化层后输出大小怎么得出
热门推荐
qq_41670192的博客
02-01 3万+
通过卷积层与池化层后，特征图的大小怎么计算 这里引入cs231n中的课件说明一下： 卷积层：  参数：W：宽  H：高 D：深度 K：卷积核的个数 F：卷积核的大小 S：步长 P：用0填充 W/H=[(输入大小-卷积核大小+2*P）/步长]  +1.    举个例子 上图中的 output =[（7-3）+2*1]/1 +1 =7 图中也提到了padding
卷积神经网络中的padding理解
ximu__l的博客
03-11 2703
关于神经网络中的padding
0. Pytorch 卷积层的padding计算
HRex39的博客
04-05 5033
Pytorch官网接口Padding的计算举例验证
离散2D卷积计算之一：单通道输入和单卷积核
搏博的专栏
11-15 644
的有效像素的最右边，无法向右边继续移动（在不填充无效元素的情况下），因此感受野窗口向下移动一个步长单位，并回到当前行的行首位置，继续选中新的感受野元素区域，与卷积核运算得到输出-1。首先从单通道输入、单卷积核的情况开始讨论，然后推广至多通道输入、单卷积核，最后讨论最常用，也是最复杂的多通道输入、多个卷积核的卷积层实现。，选中下图中绿色方框中的9个感受野元素，按照同样的计算方法，与卷积核对应元素相乘累加，得到输出10，写入第一行、第二列位置。以输入为5×5的矩阵，卷积核为3×3的矩阵为例。
离散3D卷积计算之二：多通道输入和单卷积核
搏博的专栏
11-15 988
在卷积神经网络（CNN）中，多通道输入和单卷积核的情况通常出现在处理彩色图像时，尤其是RGB图像，它们具有三个颜色通道（红、绿、蓝），每个通道上面的像素值表示R/G/B色彩的强度。整个的计算示意图如图5所示，输入的每个通道处的感受野均与卷积核的对应通道相乘累加，得到与通道数量相等的中间变量，这些中间变量全部相加即得到当前位置的输出值。：尽管输入图像具有多个通道，但单卷积核在这种情况下仍然是一个小的权重矩阵，不过它的通道数必须与输入图像的通道数相匹配。
离散3D卷积计算之三：多通道输入和多卷积核
搏博的专栏
11-16 2528
指的是输入图像具有多个颜色通道。因此，在处理RGB图像时，输入数据可以被视为一个三维矩阵（高度，宽度，通道数），其中前两个维度表示图像的高度和宽度，第三个维度表示颜色通道数（RGB图像为3）。在卷积神经网络（CNN）中，多通道输入和多卷积核的情况非常常见，尤其是在处理彩色图像（同时捕捉图像中的颜色、纹理、形状等多种特征）或其他具有多个特征维度的数据时，且图像由离散的像素点组成。本文主要讲解其中的第（1）-（4）步，即卷积计算过程是：输入3D图像与卷积核计算哈达马积，即矩阵的对应元素相乘，得输出3D特征图。
卷积神经网络中卷积核参数计算和卷积操作理解
qq_25473787的博客
08-29 4777
背景知识 卷积神经网络中的卷积操作主要是由：卷积核大小（kearl_size），步长(stride)，填充(padding)等决定，根据输入的特征图的in_channel的个数，尺寸以及卷积核大小，步长与填充的关系可以计算出卷积后输出的特征图的out_channel，大小等。 相关计算 现在假设原图像的输入为in_channelimage_sizeimage_size,卷积操作的卷积核的大...
卷积核详解
培根芝士的专栏
09-18 1075
卷积核（Convolution Kernel），简单来说，就是在进行图像处理或信号处理时，用来“扫描”或“滑动”过原始数据（比如一张图片）的一个小型矩阵。这个矩阵里面包含了一些数值，这些数值在滑动过程中与原始数据对应位置的数值进行特定的数学运算（通常是乘法后求和），从而生成新的数据或特征。
卷积层输出大小尺寸计算及padding为 “SAME” 和 “VALID”的计算
weixin_40964777的博客
04-22 9413
简介 卷积之后的尺寸大小计算公式为： 输入图片大小 W×W Filter大小 ...
CNN中卷积核大小、池化以及padding对输入图像大小的影响
小柴不会敲代码
05-14 6312
我们发现在不使用padding操作时，经过卷积操作后，输出图像比输入图像小一点。 为保证输出图像的大小不变，我们可以使用padding操作： conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1) pool1 = nn.MaxPool2d(2) conv2 = nn.Conv2d(16, 8, kernel_size=3, padding=1) pool2 = nn.MaxPool2d(2) output1 = conv1(img.unsqueeze(
卷积神经网络padding，步长（s）和输出图片计算
m0_68178753的博客
09-09 514
若使用n的kernel，则输出大小为（(（x+2p-k）/s)+1）*（(（x+2p-k）/s)*n。假设图片大小是x*x*3,kernel大小为k*k*3(k通常为奇数),padding大小为p。假设图片大小是x*x,kernel大小为k*k(k通常为奇数),padding大小为p。则有padding时 输出图片的大小为（x+2p-k+1）*(x+2p-k+1）如果padding未知，且想要使输入输出大小相等，则p=(k-1)/2。则无padding时 输出图片的大小为（x-k+1）*(x-k+1）
卷积的padding操作
m0_68041978的博客
07-26 1840
1）在不使用padding的情况下，每次卷积后的图片会越变越小。比如初始图片大小为6*6（n*n），过滤器大小为3*3（f*f)，则卷积后的矩阵大小为4*4（n-f+1)*(n-f+1)。比如在原始图像周围加上一层像素点（p=1），则卷积后的图片大小为6*6(n+2*p-f+1)*(n+2*p-f+1)。则有n+2p-f+1=n,则有p=(f-1)/2。（2）如果不使用padding,四个角上的像素点只参与一次卷积运算，而最中间的像素点会参加多次运算。(3)也可以按自身需求指定p的大小。......
神经网络之卷积层，池化层输出大小计算(转载别人的)
孤独咕噜的博客
09-08 633
总结：卷积输出大小=[（输入大小-卷积核（过滤器）大小+2P）／步长]+1。总结：池化输出大小=[（输入大小-卷积核（过滤器）大小）／步长]+1。输出图像大小： （width，height，N）W:图像宽，H:图像高，D:图像深度（通道数）W:图像宽，H:图像高，D:图像深度（通道数）如卷积核宽高为3时 padding 选择1。如卷积核宽高为7时 padding 选择3。F：卷积核宽高，N:卷积核（过滤器）个数。卷积后输出图像深度： N=D。池化后输出图像深度： N=D。F：卷积核宽高，S:步长。
卷积神经网络之padding操作
谦小白
01-02 2万+
文章目录(一) 卷积神经网络之padding操作(1) 卷积的缺点1.1 第一个缺点：图象缩小（输出缩小）1.2 第二个缺点：图像边缘信息发挥的作用小(2) Padding2.1 padding的取值2.1.1 **Valid**卷积2.1.1 **Same**卷积(3) 总结 (一) 卷积神经网络之padding操作 为了构建深度神经网络，你需要学会使用的一个基本的卷积操作就是padding ...
padding(卷积中的填充)
路人的博客
07-13 1万+
一个6x6的图像，3x3的卷积核，每一行卷积的过程类似，如图卷积核每走一步（第一个黑框到第一个绿框），输出一个像素。所以要计算卷积后图像的大小，需要知道图像大小及卷积核大小。(6-3)+1的结果为4，所以得到的卷积图像大小为4x4。公式为(图片大小 - 卷积核大小) + 1，这里的(图片大小 - 卷积核大小)意味着卷积核移动的次数，移动3次（绿色框），输出3个像素，+1意味着第一次计算卷积，即卷积核初始位置不需要移动的那一次。令原图像大小为，卷积核大小为。 所以在步长为1的情况下，则卷积后图像边长为，即移动
卷积神经网络2-padding
qq_37031892的博客
10-18 1101
什么是padding？ padding就是填充、覆盖的意思，也就是过滤器。 padding的选择？ 我们通常选择3x3的过滤器，但是如果你阅读大量文献，你也会发现也有许多5x5、7x7的过滤器。不难发现，这里都是奇数类型的过滤器。如果你阅读许多相关文献，你也会发现绝大多数都选择的是奇数过滤器，这也符合计算机视觉的惯例。之所以选择奇数，一方面有便于确定过滤器当前所在的位置（只有一个中心点），另外也不止是这个原因。当然，也可以选择偶数过滤器，可能也会有很...
如何理解卷积核中的padding参数？
Kp0fS的草稿纸
10-28 282
如何理解卷积核中的padding参数？ # padding，控制对原始图片填充多少个东西。能控制卷积之后的fe
卷积核大小和参数量计算
最新发布
12-30
### 卷积神经网络中卷积核大小与参数量的关系 在一个卷积神经网络(CNN)里，卷积层的参数数量取决于卷积核的数量及其维度。如果每个卷积核的宽度和高度均为\( K \)，而输入图像拥有\( C \)个通道，则单个卷积核所含有的参数数目为 \( K^2 × C \)[^1]。 当存在\( N \)个这样的卷积核时，整个卷积层拥有的总参数数即为 \( N × (K^2 × C) \)。这里需要注意的是，在计算过程中通常不计入偏置项；但如果考虑的话，每增加一个卷积核就会额外加上一个偏置参数，因此最终公式变为： \[ 总参数数 = N × (K^2 × C + 1)\] #### 参数量计算实例 假设有一个卷积层接收了一个尺寸为\( H_{in}×W_{in}×C_{in}\) 的输入特征图，并应用了\( N=64 \)个大小为\( K=3×3 \)、步幅(stride)=1且填充(padding)=1的卷积核来处理该数据。此时， - 输入通道数 \( C_{in}=3 \)(比如RGB图片), - 输出通道数(也就是卷积核数量) \( N=64 \). 那么此卷积层总共会含有: \[ 64 × ((3 × 3) × 3 + 1) = 64 × 28 = 1792\] 个可训练参数. ```python def calculate_params(K, Cin, N): """ 计算给定条件下的CNN卷积层参数总量 :param K: int 类型, 表示卷积核的高度/宽度. :param Cin: int 类型, 表示输入特征图的通道数. :param N: int 类型, 表示使用的卷积核总数. 返回值: params_num: int 类型, CNN卷积层总的参数数量. """ # 不计bias的情况下 params_without_bias = N * (K ** 2 * Cin) # 加上bias后的参数数量 params_with_bias = params_without_bias + N return params_with_bias # 测试函数 print(calculate_params(3, 3, 64)) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值