卷积的三种模式：full, same, valid

已于 2022-08-23 14:56:25 修改
阅读量4.5k 收藏 65
点赞数 12
CC 4.0 BY-SA版权
分类专栏： CNN 文章标签： 深度学习 神经网络 机器学习
于 2022-07-19 10:20:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/MCU_master/article/details/125865956
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 >

文章目录

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

矩阵卷积运算的三种方式及C语言实现
张天
03-08 7228
卷积的三种模式：full,same,valid 这三种模式是对卷积核移动范围的不同限制 1、full mode 橙色部分为image(大小为N1*M1),蓝色部分为filter(大小为N2*M2),full模式下输出矩阵大小为(N1+N2-1)*(M1+M2-1) 即从filter右下角一个单元与image的第一个单元重叠开始计算，依次将filter的右下角单元与image的每一个单元...
二维卷积详解，zero padding 和shape=full, same, valid详解
weixin_42150026的博客
02-28 7895
本文主要解释： (1)传统离散信号处理中的卷积维度 L = M+N -1；(2)matlab卷积函数中的shape=full, same, valid所导致的不同卷积输出维度，和tensorflow的tf.nn.conv2d中的padding=same,valid导致的不同输出维度；(3) pytorch中的卷积函数中设置的padding以及torch官方给的卷积的shape计算公式 本...
C++ 三种卷积方法实现
07-06
算法思想一：参照 http://wenku.baidu.com/view/aa110412a21614791711282a.html 算法思想二：参照 http://wenku.baidu.com/link?url=b1PwOhUSBhwyJee43jUOyOG45-woddl-nO6bt7LHLmlUbJu8ZQ3fGXpxARNxF5-Pa_H8vrCg6xRhllM_LSvU19OG80U0kMQbiTWO-3StUSu 算法思想三：公式 z(i,j)=∑ ∑x(m,n)y(i-m,j-n)
卷积的三种模式：full、same、valid
qq_44199379的博客
11-15 3514
图示卷积的三种模式：full、same、valid
卷积的三种类型：full,same,valid
weixin_45436729的博客
06-17 240
valid 滑动步长为S，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：(N1-N2)/S+1 x (N1-N2)/S+1该卷积的padding = 0valid卷积,即仅使用每个卷积的有效部分. same 滑动步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：N1xN1 full 滑动步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：(N1+N2-1) x (N1+N2-1) 原文链接：https://blog.youkuaiyun.com/weixin_
讨论卷积的三种模式-full；same；valid
peacefairy的博客
10-04 1116
三种卷积模式1、full卷积模式定义图示理解2、same卷积模式定义图示理解3、valid卷积模式定义图示理解 初始设定图像的大小为 7x7， 卷积核(filter)的大小为 3X3 1、full卷积模式 定义 full 卷积模式，图像每个元素都要进行覆盖计算，Filter卷积核只要能覆盖到图像的部分进行计算就可以，没有覆盖到的部分我们就补 0 进行计算即可。 图示理解 2、same卷积模式 定义 same 就代表我卷积前和卷积后的图像大小会保持一致。具体操作的话，我们会规定filter 有一个锚点。每次
卷积的三种模式
yjinyyzyq的博客
06-13 255
https://blog.youkuaiyun.com/qxqsunshine/article/details/86435404 image widget
卷积模式full.same.valid的解释
05-19
其中最常见的三种卷积模式分别是full、same和valid。 1. full模式：full模式是指将卷积核在输入数据的每一个位置上都进行一次完整的卷积计算，即对于每一个输出位置，都需要考虑输入数据中所有能够和卷积核重叠的...
full卷积的性质、valid卷积的性质、same卷积的性质
06-11
full卷积、valid卷积和same卷积都是卷积神经网络中使用的三种卷积方式，它们有不同的性质，如下所示： 1. full卷积：将卷积核完全覆盖输入图像，并在输出中添加了额外的像素。full卷积的输出尺寸比输入尺寸大（输出...
各种一维卷积（Full卷积、Same卷积、Valid卷积、带深度的一维卷积）
u013602059的专栏
03-18 7469
一维卷积通常有三种类型：full卷积、same卷积和valid卷积，下面以一个长度为5的一维张量I和长度为3的一维张量K（卷积核）为例，介绍这三种卷积的计算过程。 一维Full卷积 Full卷积的计算过程是：K沿着I顺序移动，每移动到一个固定位置，对应位置的值相乘再求和，计算过程如下： 将得到的值依次存入一维张量CfullC_{full}Cfull​，该张量就是I和卷积核K的full卷积结果，...
卷积的三种模式:full, same, valid
热门推荐
木盏
05-15 4万+
  通常用外部api进行卷积的时候，会面临mode选择。 本文清晰展示三种模式的不同之处，其实这三种不同模式是对卷积核移动范围的不同限制。 设 image的大小是7x7，filter的大小是3x3     1，full mode 橙色部分为image, 蓝色部分为filter。full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0。filter的运动范围...
卷积的三种类型：full, same, valid
weixin_38665509的博客
02-24 1152
转载自：https://blog.youkuaiyun.com/leviopku/article/details/80327478 通常用外部api进行卷积的时候，会面临mode选择。 这三种mode的不同点：对卷积核移动范围的不同限制。 设 image的大小是7x7（橙色部分），filter的大小是3x3（蓝色部分） 1. full mode full mode：从filter和image刚相...
卷积神经网络中的 Full、Same 和 Valid 卷积
最新发布
学IT，找陈寒
09-15 3230
卷积神经网络是一种受到生物视觉系统启发的神经网络，特别适用于处理具有网格结构的数据，如图像。CNN的核心思想是通过卷积操作从输入数据中提取特征，然后将这些特征传递给全连接层进行分类或回归等任务。卷积操作包括卷积核（或滤波器）的滑动以及卷积核与输入数据的点积运算。在这个过程中，卷积核在输入数据上滑动，不同的滑动方式会导致 Full、Same 和 Valid 三种卷积模式。
卷积的三种模式full, same, valid以及padding的same, valid
ch206265的博客
03-29 2205
原文链接：https://zhuanlan.zhihu.com/p/62760780 作者：最刚烈 一、以下展示卷积三种模式的不同之处 其实这三种不同模式是对卷积核移动范围的不同限制。设 image的大小是6x7，filter的大小是3x3。 1 full mode 橙色部分为image, 蓝色部分为filter。full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0。filter的运动范围如图所示。 2 same mode 当filter的中心(K)与ima
图像处理细节技巧：卷积的三种模式:full, same, valid
xys430381_1的专栏
02-25 1331
卷积的三种模式:full, same, valid https://blog.youkuaiyun.com/leviopku/article/details/80327478
CNN：full卷积，same卷积，valid卷积
qq_42018521的博客
10-16 2690
原图经过full卷积图像会变大，经过same卷积尺寸不变，valid卷积尺寸会缩小。应用场景不通，具体看下文：
深度学习笔记----不同卷积类型的总结
YOULANSHENGMENG的博客
11-12 5987
1，标准卷积 卷积核上所有作用点依次作用于原始像素点后（即乘起来），线性叠加的输出结果，即是最终卷积的输出，也是我们想要的结果，我们称为destination（目标） pixel. 标准卷积的计算公式为： 标准卷积有多种卷积方法，可划分为三种：Same卷积、Valid卷积、Full卷积(反卷积)。 有个博文详细讲卷积，可以参考下： 卷积原理_abyss_miracle的博客-优快云博客_卷积原理 1.1Same卷积 通过Padding填充0运算保证卷积...
卷积same和valid学习
思维缜密的博客
08-24 398
ininin为输入 dilationdilationdilation为空洞 kernelkernelkernel为卷积核 stridestridestride为步长 outoutout为输出 卷积形状 padding为数字 out[0]=⌊in[0]+2×padding[0]−dilation[0]×(kernel[0]−1)−1stride[0]+1⌋out[0]= \lfloor \frac{in[0]+2\times padding[0]-dilation[0]\times \left ( kerne
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