卷积操作的输出特征图大小、计算量和参数量计算

原创已于 2022-11-19 20:18:49 修改 · 508 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #python #卷积神经网络

于 2022-11-16 23:59:07 首次发布

博客指出在设计和实现模型时，计算每层卷积输出特征图大小很重要，学会计算卷积操作的计算量与参数量，可评估对比不同模型。还给出了输出特征图大小和卷积操作参数量的计算公式。

在设计以及实现模型时，计算每层卷积输出特征图大小是很重要的，学会计算卷积操作的计算量与参数量，可以让我们评估对比不同模型。

输出特征图大小

output_size = (input_size-kernel_size+2*padding)//stride+1。(//表示取整，也就是向下取整)

卷积操作的计算量

卷积操作的参数量

parameters = in_channels * kernel_size_w * kernel_size_h * out_channels + bias。(其中bias=out_channels)。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

chen1xixi

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Micoreal的博客

01-23

985

个人学习笔记

图像卷积及其计算（特征图尺寸、参数量、计算量）

weixin_44966641的博客

10-22

8895

图像卷积及其计算（特征图尺寸、参数量、计算量）卷积前后特征图尺寸的计算定义参数如下：输入特征图尺寸： W×WW×WW×W 卷积核尺寸： F×FF×FF×F 步长： SSS 填充的像素数：PPP 则有输出特征图尺寸为 N×NN×NN×N： N=(W−F+2P)/S+1 N = (W − F + 2P )/S+1 N=(W−F+2P)/S+1 参数量的计算卷积层的参数量 卷积的参数量即卷积核的参数量，设我们有如下参数：卷积核尺寸：KKK 前一层的通道数：CinC_{in}Cin 当前层的卷积核

参与评论您还未登录，请先登录后发表或查看评论

卷积操作后输出尺寸

shenjianhua005的专栏

02-24

315

https://blog.youkuaiyun.com/weixin_38145317/article/details/89636340

深度学习中卷积后图像输出特征层计算公式

qq_45941236的博客

08-10

919

卷积层滤波器常用设置 1，滤波器大小： F = {3, 5, 1 , 7,…} 2，滤波器步长： stride=1； 3，填充大小：P=（F-1）/2 4，输出特征层大小：（N+2P-F）/stride+1 5，输出特征图通道数：滤波器个数

卷积神经网络：由输入大小计算输出大小

超勇的阿杰的博客

03-07

1185

(FH,FW)**，输出大小为(OH,OW)，填充为P，步幅为S。则输出大小可以通过下式计算。当输出大小无法除尽时（就算结果为小数），需要采取报错等对策。输入大小：(7,7)；卷积核大小：(3,3)通过上述式子就可以计算输出大小。但是所设定的值必须使。注：有的深度学习框架会选择四舍五入而不进行报错处理。假设输入大小为**(H,W)所以输出大小(4,4)。

CNN学习（6）：卷积神经网络CNN动态演示和输出特征图计算公式

共同学习，共同进步。

05-25

3970

卷积神经网络中动态图展示，以及常用卷积运算中的输出特征图大小的规模运算

深度解析卷积神经网络中的卷积计算：参数量和计算量详细分析及其优化方案

热门推荐

gaishi_hero的博客

08-08

2万+

卷积层输入特征图的尺寸为：Hinput×Winput×CinputHinput×Winput×CinputH_{input} \times W_{input} \times C_{input} HinputHinputH_{input}表示输入特征图的高 WinputWinputW_{input}表示输入特征图的宽 CinputCinputC_{input}表示输入特征图的通道数（如果是第一个...

【计算机视觉】如何可视化卷积神经网络的特征图（含源代码）

wzk4869的博客

10-19

1万+

【计算机视觉】如何可视化卷积神经网络的特征图（含源代码）

CNN中常见卷积操作输出计算

Fighting Hua

05-02

888

一般卷积计算输出计算，，其中N为输入N×N图像的一边长、Pad为Padding填充数、kernal为卷积核（一般3×3）的单边数、stride为kernal的移动步长。这里需要注意，M为向下取正，所以当（P=1, K=3, S=2）时，N=5与N=6计算得到M都为3 。 Dilated卷积输出计算，，其中d...

卷积操作特征图输出大小

weixin_30542079的博客

06-12

579

卷及神经网络的卷积操作对输入图像的边缘位置有两种处理方式：有效填充边缘填充有效填充：滤波器的采样范围不超过图片的边界，strides=1时，输出特征图的大小计算方法为input_height - filter_height +1 相同填充，滤波器采样范围超过边界，且超过边界部分使用0填充,strides = 1 时，输出特征图的大小和输入图一样，即output_he...

机器学习26:卷积神经网络特征图尺寸计算

weixin_39504171的博客

02-18

1836

机器学习26:卷积神经网络特征图尺寸计算 1.经过卷积层的特征图尺寸计算: 已知输入特征图尺寸：，卷积核尺寸：，步长：，填充的像素数：，则这个卷积层输出的特征图尺寸为： ...

卷积层输出图片的大小计算

gqqad123的博客

07-13

517

torch.nn.functional.fold

AILEARNER_L的博客

03-06

1902

torch.nn.functional.fold(input,output_size,kernel_size,dilation=1,padding=0,stride=1) 将一组滑动局部块张量组合成一个包含这些张量的大张量。注意： Currently, only 4-D output tensors (batched image-like tensors) are support...

卷积层和反卷积层输出特征图大小计算

SimpleLearning

01-30

3845

需要注意的是，反卷积的填充指的是输出特征图的填充，而不是输入特征图的填充。在反卷积中，输出特征图的填充会增加输出特征图的大小。总的来说，计算输出特征图大小的公式考虑了输入特征图的尺寸、卷积核的大小、填充的大小、步长和输出填充的大小等参数。当我们有一个输入特征图大小为 26x26 ，反卷积核大小为 3x3 ，步长为 1 ，输出填充为 0 的情况下，计算反卷积层的输出特征图大小。当我们有一个输入特征图大小为 28x28 ，卷积核大小为 3x3 ，步长为 1 ，填充为 0 的情况下，计算卷积层的输出特征图大小。

卷积核大小和参数量计算

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)) ```