笔记 - 卷积网络：卷积输出张量shape计算

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：

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

运用

• 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 = (W1 - F)/S + 1

• SAME模式
  • 如何确定P
    • 利用公式1计算出output理论上的形状，再利用公式2反推 P

      公式1
      
      公式2
      

      • 注意了这里P可以不是整数哦，比如计算P=1.5的话也是正常的
        如果补充的padding个数为偶数会在两侧补充相同个数个0,如果padding为奇数2n+1,会在左侧补n个0,右侧补n+1个0

5×5的图像
3×3的卷积核
步长 2
padding SAME

import tensorflow as tf
import numpy as np
pic = tf.constant(value=np.ones((5, 5), dtype=np.float32), shape=(1,5,5,1))
W = tf.constant(value=np.ones((3, 3), dtype=np.float32), shape=(3,3,1,1))
output = tf.nn.conv2d(pic, W, strides=[1, 2, 2, 1], padding='SAME')

with tf.Session() as sess:

    print(output.eval().shape)

"""
运行结果：
(1, 3, 3, 1)
"""

总结

• 判断输出张量shape的形状
  

参考

深度学习基础–卷积计算和池化计算公式
理解CNN卷积层与池化层计算
tensorflow中卷积方式SAME和VALID特征图大小计算