1、输入图片大小为200×200,依次经过一层卷积(kernel size 5×5,padding 1,stride 2),pooling(kernel size 3×3,padding 0,stride 1),又一层卷积(kernel size 3×3,padding 1,stride 1)之后,输出特征图大小为:( C )
A、95
B、96
C、97
D、98
E、99
F、100
输出尺寸=(输入尺寸-filter尺寸+2*padding)/stride+1
h1=(200-5+2*1)/2+1=99.5 取99
w1=(200-5+2*1)/2+1=99.5 取99
h2=(99-3)/1+1=97
w2=(99-3)/1+1=97
h3=(97-3=2)/1+1=97
w3=(97-3=2)/1+1=97
kernel size:观察窗口
padding:填充
stride:步长
-
当stride=1
- 当kernel=3,padding=1,卷积前后尺寸不变
- 当kernel=5,padding=2,卷积前后尺寸不变
-
当stride=2
- 当kernel=3,padding=1,尺寸减半
- 当kernel=5,padding=2,尺寸减半
计算尺寸不被整除只在GoogleNet中遇到过。
卷积向下取整,池化向上取整。
这篇博客详细探讨了卷积神经网络中特征图尺寸的计算方法,涉及卷积层和池化层的参数设置,如kernel size、padding和stride。通过实例计算,解释了在不同配置下如何保持或改变输出尺寸,并强调了在特定情况下尺寸取整的规则。
1619

被折叠的 条评论
为什么被折叠?



