笔记 - 卷积网络：卷积输出张量shape计算

最新推荐文章于 2025-05-30 17:40:41 发布
原创 最新推荐文章于 2025-05-30 17:40:41 发布 · 4.7k 阅读 · 5 ·
CC 4.0 BY-SA版权
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。

本文介绍了卷积网络中影响输出张量shape的因素，包括卷积核大小、步长和填充模式。重点讲解了在VALID和SAME模式下如何计算输出形状，并给出了计算外围填充层数P的公式。同时，文中提到了当P为非整数时的处理方式以及不同填充模式下的填充策略。

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

前置：

  • 影响shape形状的因素：
    • 1.卷积核大小
    • 2.stride步长
    • 3.padding模式

公式：

在这里插入图片描述
在这里插入图片描述

  • K – 卷积核数量
  • F – 卷积核大小
  • S – 步长
  • P – 外围填充的层数

在这里插入图片描述

运用

在这里插入图片描述

  • 显然valid模式下，直接卷，不够就丢弃
我推导的valid模式下的计算方式(以 W 举例)：
W2 =
最低0.47元/天 解锁文章

200万优质内容无限畅学
吴恩达卷积神经网络各个输入输出的shape详解
qq_36027459的博客
05-05 7008
维度总结： 如果在Tensorflow中构建一个自己的神经网络，框架会自动进行后向传播，所以只需要搭建好前向传播的部分，这里面维度必须对应好，其他的调用函数就行，现在总结一下维度问题。 从最简单的说：如下图，X是一个全是像素值的列向量(将一幅图flatten得到)，它的大小是(64*64*3,1)，则W是(64*64*3,1)，那么W的转置与X相乘得到的维度是(1,1)，b是(...
11.人工智能原理-卷积神经网络：图像识别实战
wanlin_yang的博客
03-11 1577
本节课介绍了LeNet-5神经网络，它包括了两层卷积层、两层池化层。通过编程实验，我们发现LeNet-5神经网络在mnist的测试计算的准确率高，而且相比于上节课三层隐藏层，LeNet-5神经网络参数网实际上要少很多。当然这还是一个最早期的卷积神经网络结构，那在后期出现的更加复杂的卷经网络，比如AlexNet 、VGG等，在图像识别领域中的效果也越来越好。
卷积核后输出维度shape计算公式
页页读
04-11 5359
N = (W − F + 2P )/S+1 N ： output_shape 为 N x N W： input_shape 为W×W F ： Filter 大小F×F P ：Padding 大小 S ：步长 stride ...
学习笔记(22): PyTorch学习,张量（Tensor）核心操作详解
最新发布
fen_fen的专栏
05-30 1167
学习笔记(22): PyTorch学习,张量（Tensor）核心操作详解
计算卷积神经网络参数总数和输出形状
deephub
08-18 2743
在本文中，我们将讨论卷积层中的两个重要概念。 如何计算参数的数量? 产出的形状是如何计算的? 术语 input_shape Input_shape = (batch_size, height, width, depth) Batch_size =一次向前/向后传递的训练数据数 output_shape Output_shape = (batch_size, height, width, depth) 过滤器/核 在卷积神经网络中，输入数据与卷积核进行卷积，卷积核用于提取特征。卷积核是一个矩阵，它将移动到
MXNet，卷积以及pooling中的输入输出shape计算
猴小能的博客
09-29 2850
在tensorflow中，padding的取值为"SAME" 和 “VALID”，取SAME时会对输入进行填充，使得输出的高度和宽度与输入保持不变，取VALID时，不进行填充。 在MXNet中，padding与tensorflow的形式不一样，padding为取值为整型或者整型的元组，padding的取值与kernel_size有关。 下面讲述mxnet中卷积和池化padding的取值 Conv2...
卷积输入输出计算
cuisidong1997的博客
11-13 1690
1.卷积提出背景在全连接网络[1]中，一张图片上的所有像素点会被展开成一个1维向量输入网络，如 图1 所示，28 x 28的输入数据被展开成为784 x 1 的数据作为输入。图1 全连接网络图图2 图片转换为1维向量1000×10001061000×1000×1061012为了解决上述问题，引入卷积（Convolution）来对输入的图像进行特征提取。卷积的计算范围是在像素点的空间邻域内进行的，因此可以利用输入图像的空间信息；
【深度学习理论 卷积神经网络02】 卷积的一般知识（根据卷积核大小和步长计算输出结果形状）
汪汪杂记
07-07 1839
0. 卷积的一般知识 ksize:卷积核大小,可以为1,2,3,4… stride:卷积核一次在原图上移动的步长,可以为1,2,3,4… padding:给原图打补丁，在原图周围填充0，调整输出大小 1.根据卷积核大小和步长计算输出结果形状 3 * 3矩阵作为kernel,在周围打padding，stride为2 阴影部分的计算: 0 * 2 + 0 * 0 + 1 * 1 + 0 * 1 + 2 * 0 + 3 * 0 +0 * 0 + 3 * 1 + 3 * 1 =7 输出结果的形状计算： 原图
深度学习基础笔记 (1) ：预备知识（张量、梯度、概率…）
https://www.hyperplasma.top
05-26 1175
《动手学深度学习》笔记——预备知识（数据操作、数据预处理、线性代数、梯度、自动微分、概率）
零基础深度学习笔记：卷积神经网络
2301_78018881的博客
10-25 1971
严格来说，卷积层是个错误的叫法，因为它所表达的运算其实是互相关运算（cross-correlation），而不是卷积运算。在卷积层中，输入张量和核张量通过互相关运算产生输出张量。首先，我们暂时忽略通道（第三维）这一情况，看看如何处理二维图像数据和隐藏表示。若输入是高度为3、宽度为3的二维张量（即形状为3×3）。卷积核的高度和宽度都是2，而卷积核窗口（或卷积窗口）的形状由内核的高度和宽度决定（即2×2）。在二维互相关运算中，卷积窗口从输入张量的左上角开始，从左到右、从上到下滑动。
个人学习笔记5-1：动手学深度学习pytorch版-李沐
浪子L的博客
09-06 1072
主要记录学习笔记，学习书目为李沐老师的《动手学习深度学习》 重预备知识开始记录。 开源书籍地址：https://zh-v2.d2l.ai/chapter_preface/index.htmll 李沐老师B站视频：https://space.bilibili.com/1567748478/channel/seriesdetail?sid=358497
关于卷积网络以及反卷积网络shape的计算
weixin_30556959的博客
02-05 221
CNN的计算方式： w1 = (w - F_w + 2p) / s_w + 1 h1 = (h - F_h + 2p) / s_h + 1 其中 w, h 分别为上一层的宽高， Filters(kernel）的大小为 F_w, F_h strides 步长为： s_w, s_h p 为padding 的大小 DeCNN 的计算方式： w1 = （w ...
Pytorch 张量及输入输出计算详细公式
yeizisn的博客
07-22 2468
Pytorch 张量及输入输出计算详细公式 张量 一般文本使用三维张量，适合用于RNN和NLP。如20句话，每句话10个单词，每个单词用100个分量的向量表示，得到的Tensor就是shape=[20, 10, 100]。 四维张量，适合用于CNN表示图像。例如100张MNIST数据集的灰度图(通道数为1，如果是RGB图像通道数就是3)，每张图高28像素，宽28像素，那么这个Tensor的shape=[100, 1, 28, 28]，也就是一个batch的数据维度：[batch_size, channel,
CNN中常见卷积操作输出计算
Fighting Hua
05-02 874
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...
四、卷积神经网络(Convolution Neural Networks)
beyond谚语的博客
06-24 715
七层CNN各层详细分析
pytorch conv2d计算shape,prefetch_factor提速，提高显卡利用率
power的专栏
05-31 608
W×WF×F。
tensorflow keras 使用卷积conv2d 池化pooling之后输出的shape
weixin_43379058的博客
09-01 1966
keras和TensorFlow设置卷积层的过程中可以设置padding参数，vaild和same。“valid”代表只进行有效的卷积，对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同. 下面 W为输入大小，S为步长，F为核大小 一、tensorflow 中 1.卷积 在tensorflow中，conv后的shape可按照下边的公式计算 padd...
关于tensorflow卷积shape的详细解析
武凯的博客
10-19 1187
1.几维就有几层括号【】 shape = 【5，2，3，4】 代表的意思的意思是有俩张3*4，大小的三维矩阵，五个这样的三维矩阵 在使用conv2d时，input就是按照这个直接看就行 但是filter是按照这个意思对应得形成的，只是函数conv2d对他得定义不一样，第一个位置是卷积核宽，第二个位置卷积核是高，第三个位置是卷积核得通道数，第四个位置才是卷积核个数，然后函数conv2d会自己去计算，不用管他是不是符合一般的对应shape位置所表示得意义，除了这个，其他的定义得矩阵shape得意义都是一般的意义
Conv1d与Conv2d对应的底层公式及shape计算方法
cash_cp的博客
06-12 867
Conv1d与Conv2d对应的底层公式及shape计算方法
深度学习笔记：CNN卷积核创建与应用解析
- `filter2 = tf.Variable(tf.constant([-1.0, 0, 0, -1, -1.0, 0, 0, -1], shape=[2, 2, 1, 2]))` 创建了两个输出特征图的卷积核。 - `filter3` 和 `filter4` 同样表示多个输出特征图的卷积核，但它们的通道数不同...
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