卷积的三种模式:full, same, valid

本文详细介绍了卷积神经网络中的三种卷积方式:full卷积、same卷积和valid卷积。full卷积通过上采样增大输出尺寸,same卷积保持输入输出尺寸一致,valid卷积则进行下采样。每种卷积方式的输出特征图尺寸计算公式和应用场景都有所不同,对于理解和应用CNN至关重要。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


前言

卷积神经网络是模式识别分类常用的网络结构之一,在大规模的图像识别等方面有着很大的优势。

一、full卷积

  • full卷积式典型的上采样卷积,其特点式卷积核可以超出特征图的范围,但是卷积核的边缘要与特征图的边缘有交点。这种卷积将如图的2×2的特征图,在经过尺寸为3×3、步长为1的卷积核卷积后,变成了4×4的特征图。其输出特征维度的计算满足式(1)。 在这里插入图片描述
    其中, Skernel 代表卷积核的步长, Dkernel 代表卷积核的维度, Padding 代表扩充值的维度。
    在这里插入图片描述

二、same卷积

  • same卷积是介于full卷积和valid卷积之间的一种卷积方式,其特点是卷积前后特征图的尺寸不变。由于same卷积的特点,其Padding值是固定设置的,计算式可通过式(1)推导出来。

在这里插入图片描述

三、valid卷积

  • valid卷积是最常用的下采样卷积,其特点是卷积核不能超出特征图的范围。如图,在卷积核为3×3且步长为1,且不会在周边增加扩充值的情况下,一个5×5的特征图经过卷积后,变成了3×3的尺寸大小。
  • 输出的特征图维度计算式为:式(1)
    在这里插入图片描述

四、总结

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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