卷积网络 步长&填充 大小 与输入输出大小的关系

最新推荐文章于 2025-07-08 16:16:53 发布
最新推荐文章于 2025-07-08 16:16:53 发布
阅读量2.5w 收藏 36
点赞数 14
CC 4.0 BY-SA版权
分类专栏： 算法总结
原文链接：https://blog.youkuaiyun.com/meadl/article/details/68927227
本文探讨了卷积网络中步长(stride)和填充(padding)如何影响输入和输出的尺寸。举例说明，当输入尺寸为5x5，卷积核为3x3，步长为2时不填充，输出尺寸为2x2；而步长为1时，输出尺寸变为3x3。在深度学习网络设计中，理解这些参数对于精确计算各层尺寸至关重要。文中还涵盖了不同填充情况下的尺寸计算规则。

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

卷积网络 步长&填充 大小 与输入输出大小的关系

参考网址：

1、https://blog.youkuaiyun.com/meadl/article/details/68927227

2、https://blog.youkuaiyun.com/u011692048/article/details/77572024

 

       卷积层的维度计算 

      假设卷积层的输入大小x*x为5*5，卷积核大小k*k为3*3,步长stride为2，假设不填充，输出维度将会是(x-k)/2+1,即为2*2；如果步长为1，那么输出将会是3*3.步长为1的前向传波和反向传播已有很多推导，不再赘述。

 

在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数。这里有一些设计时候的计算公式，方便得到各层的参数。

这里简化下，约定：

没有填充，单位步长

零填充，单位步长

  1. 半填充

  1. 全填充

参考图如下图所示;

不填充，非单位步长

零填充，非单位步长

示意图如下：

【神经网络结构的组成】CNN的卷积核通道数、卷积输出的通道数、步长与填充之间的关系（附多通道卷积）
十二月的猫
02-19 2317
本文介绍了卷积神经网络（CNN）中卷积核通道数、卷积输出通道数、步长与填充之间的关系，重点讨论了多通道卷积的应用与原理。首先，卷积核的通道数决定了每个卷积核与输入图像每个通道的卷积计算方式；而卷积输出的通道数则由卷积核的数量决定，每个卷积核生成一个输出通道。步长控制卷积操作的滑动速度，从而影响输出的空间尺寸，步长越大，输出尺寸越小。填充用于在输入图像边界添加额外像素，帮助保持输出尺寸不变。文章还介绍了如何通过调整这些参数来优化卷积层的表现，并展示了多通道卷积在处理彩色图像和多维数据时的重要性。
计算机视觉卷积神经网络（CNN）基础：从LeNet到ResNet
热门推荐
优快云博客专家，系统架构师，有合作、疑惑请私信博主。
04-11 14万+
计算机视觉卷积神经网络（CNN）基础：从LeNet到ResNet，在计算机视觉领域，卷积神经网络（Convolutional Neural Network，CNN）已然成为推动众多任务发展的核心力量。从早期简单的图像识别，到如今复杂的目标检测、语义分割、图像生成等任务，CNN 都展现出了卓越的性能。CNN 的发展历程见证了一系列经典模型的诞生，其中 LeNet 作为开山之作，为 CNN 的发展奠定了基础，而 ResNet 则通过创新性的设计，突破了传统神经网络的限制，使得网络能够构建得更深、性能更优。
卷积神经网络的卷积核（kernel）、输入尺寸（input）、步长（stride）、填充（padding）关系
weixin_43794311的博客
10-21 1万+
基本意义 卷积核（kernel）：用于对输入图像进行共享权值的遍历；如果将图像每一个图像的每一个像素作为卷积输入层的元素，那么卷积核就相当与每个输入的权值，且有卷积核大小的一组输入使用同一组权值。例如，一个图像是99大小，卷积核是33；则输入是81个，共享权值是9个一组。 步长（stride）：卷积核是在图片上移动后遍历每一个像素，每次移动的大小就是步长stride 填充（padding）：是为了满足输出的图像的维度要求，最终图像的输出宽度会=原来输出宽度+2padding，因为是周围填充 几个关系 字符含
深度学习笔记4：卷积层的实现
l691899397的博客
08-18 4万+
卷积层的推导 卷积层的前向计算 如下图，卷积层的输入来源于输入层或者pooling层。每一层的多个卷积核大小相同，在这个网络中，我使用的卷积核均为5*5。 如图输入为28*28的图像，经过5*5的卷积之后，得到一个(28-5+1)*(28-5+1) = 24*24、的map。卷积层2的每个map是不同卷积核在前一层每个map上进行卷积，并将每个对应位置上的值相加然后再加上一个偏置
卷积神经网络（CNN）
最新发布
m0_54570435的博客
07-08 996
卷积神经网络（Convolutional Neural Network, CNN）是一种专门用于处理网格状数据（如图像、视频、音频、时间序列）的深度学习模型。其核心思想是通过局部连接、权重共享和层次化特征提取，自动学习数据的空间或时间层次结构。生物学基础：受视觉皮层中神经元只响应局部刺激的启发数学实现：每个神经元仅与前一层局部区域连接（而非全连接）优势：大幅减少参数量（如5×5局部连接 vs 全连接）保留空间局部相关性适合处理平移不变特征原理：同一卷积核在输入的不同位置使用相同参数计算优势：参数量从O(n²
卷积网络（conv）中步长、填充、卷积核大小与输入输出大小的关系
lyx_323的博客
04-06 2万+
目录 1、stride =1 1）没有padding ：o = (i - k) + 1 2）有padding 半填充：输入输出一样大 o = i(卷积核是基数) 全填充 :o = i + (k - 1) 2、stride ≠1: o = [( i + 2p-k) / s] + 1 1）没有padding 2）有padding 3、统一的公式：o = [( i + 2p- k) / s] + 1 在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数...
卷积操作的填充和步幅
dingning12469的博客
01-10 525
影响卷积层输出大小的因素除了卷积核尺寸，还有卷积操作的填充与步幅。
关于卷积神经网络的填充（padding）
Garson的博客
11-07 3608
随着卷积层数的加深，输出进一步缩小，那么最终会导致输出很快就只剩下1∗1的数组，这也就没办法继续计算了，所以提出了填充的方法来方便网络的进一步加深。1379在进行的四次卷积运算中，只被计算了一次，所以卷积学习的不充分，填充就是让卷积网络能够将边缘的角落也能多次学习，从而更全面地发现特征。填充的方法就是在输入的高和宽两侧分别填充了0元素，再进行卷积运算。
详述Deep Learning中的各种卷积（二）
Redflashing
01-18 626
作者：Redflashing 本文梳理举例总结深度学习中所遇到的各种卷积，帮助大家更为深刻理解和构建卷积神经网络。 本文将详细介绍以下卷积概念： 2D卷积（2D Convolution） 3D卷积（3D Convolution） 1∗11*11∗1卷积（1∗11*11∗1 Convolution） 反卷积（转置卷积）(Transposed Convolution） 扩张卷积（Dilated Convolution / Atrous Convolution) 空间可分卷积（Spatially Separ
深度学习-卷积与反卷积和输入和输出尺寸关系
Alivon的博客
11-24 1023
卷积 N（out） = (N(in) − k + 2p )/s+1 输入图片大小 N:W×W s：stride k：kernel_size 也叫 filterf p：padding 反卷积 N（out） = （N（in）-1）× s +k -2p s：stride k：kernel_size 也叫 filterf p：padding ...
图像卷积、步长、填充、特征图、多通道卷积、权重共享、感受野、池化
小嘤熊的博客
06-30 1312
用一个相同的卷积核对整幅图像进行进行卷积操作，相当于对图像做一次全图滤波，符合卷积核特征的部分得到的结果比较大，不符合卷积核特征的部分得到的结果比较小，因此卷积操作后的结果可以较好地表征该区域符合卷积核所描述的特征的程度。上图中，Conv2中的像素点为5，是由Conv1的2×2的区域得来的，而该2×2区域是由原始图像的5×5区域计算而来，因此该像素的感受野是5×5。上图展示的是单个图像的卷积，而一个卷积神经网络，其每一层都是由多个图组成的，将其成为特征图或者特征平面，如下图所示。
输入图片的高、宽和卷积核的高、宽和特征图的高、宽与步长、填充大小有什么关系
05-25
卷积操作可以用于提取输入图片中的特征，具体涉及到输入图片的高、宽、卷积核的高、宽和特征图的高、宽与步长、填充大小之间的关系。以下是它们之间的关系： 1. 填充大小：填充是指在输入图片的周围添加额外的像素...
卷积神经网络3-卷积步长
qq_37031892的博客
10-18 2658
什么是卷积步长？ 步长（stride）顾名思义，就是说过滤器一次移动多少格子。 加入了步长的概念，我们就要对之前的公式进行一些改动，结果矩阵的大小为[（n+2p-f）/ s +1 ]x[（n+2p-f）/ s +1 ]。 那么，如果遇到除不尽的情况怎么办呢？我们应该进行向下取整操作。 ...
深度学习卷积和计算讲解
JavaBigData的博客
10-31 2114
放图 输入是5*5的图片，有三个通道，即R、G 、B，也可以理解深度为3，从三个不同角度看图片，输入就是5*5*3,里面的每个像素或者元素都是输入x. 为了避免全连接导致参数太多，训练复杂，引入卷积核，从小角度看图片，而不是整体看图片。卷积核是3*3*3，是自己定义的，一般是5*5*3、3*3*3、7*7*3、11*11*3这几个奇数，红色的3是对应rgb三通道，里面 的每个元素值相当于权重w。 步长可以理解为滑窗，按照3*3的窗口在图片上左右，上下滑动。 假如步长为3，则w−f+ss=图片宽−卷积核宽+
卷积网络 步长&填充 大小 与输入输出大小的关系
卖火柴的小男孩
08-25 5965
在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数。这里有一些设计时候的计算公式，方便得到各层的参数。 这里简化下，约定： 没有填充，单位步长 零填充，单位步长 半填充 全填充 参考图如下图所示; 不填充，非单位步长 零填充，非单位步长 示意图如下：  参考： [1603.07285
深度学习---卷积神经网络
CHERISHGF的博客
09-21 885
简述流程：     1.Load and normalize data;   2.Define Neural Network;   3.Define Loss function;   4.Train network on training data;   5.Test network on test data. 一、加载数据并对数据进行归一化 Q:为什么要对数据进行归一化？ ...
深度学习——卷积层+填充和步幅（笔记）
jbkjhji的博客
11-29 1980
为了得到小的输出，可以想到用大的卷积核，但在实际中通常不会太大，一般使用卷积核是5*5或者3*3.所以需要增加步幅。卷积计算移动示意图【先行后列：一行一行的按照宽度移动完后，在按照高度往下移动，然后在这个高度上继续一行一行的按照宽度移动】①首先卷积核在“1”的位置，计算出结果0.然后在按照宽度2移动到“2”的位置计算出结果是8.填充是在输入的周围添加额外的行/列。1.输出的大小跟层数是线性相关的，卷积核小的情况下，想让大图变成小图。②填充是在输入的周围额外的添加行/列，来控制输出形状的减少量。
理解CNN卷积层与池化层计算
weixin_33859844的博客
04-27 1337
概述 深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。 一：卷积层 卷积神经网络(CNN)第一次提出是在1997年，杨乐春（LeNet）大神的一篇关于数字OCR识别的论文，在2012...
卷积神经网络的输入输出尺寸计算
StuTan
12-23 2844
给出输入尺寸和参数值计算输出尺寸 当给出输入时尺寸（nn）、卷积核尺寸(mm)、步长Stride(s)、填充Padding§ 信息 输出尺寸为： ( ( n - m + 2 * p ) / s +1 ) * ( ( n - m + 2 * p ) / s +1 ) 解释： [外链图片转存失败,源站可能有防盗在这里插入!链机制,建描述]议将图片上https://传(imblog.csdnimg.cn...
评论 2
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