感受野计算+卷积/池化输出尺寸计算+卷积参数量计算

本文详细解析了卷积神经网络中卷积层、池化层的输出尺寸计算公式,以及感受野的递归计算方式,是理解CNN结构与工作原理的必备知识。

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

目录

1、卷积后输出尺寸的大小

1.1卷积参数量计算

2、池化后输出尺寸大小

3、感受野的计算


鉴于网上资源比较混乱,而且笔试考的多,故作此总结。希望能帮到大家。

1、卷积后输出尺寸的大小

输入:L*L*D

卷积核: 大小size=F*F*d,滑动步长stride=S,0填充 0 padding=P

输出:l*l*d

则输出尺寸为:l=(L-F+2*P)/S+1

1.1卷积参数量计算

上面卷积后的参数大小为:(F*F+1)*d

其中+1是偏置,每个通道都有。

2、池化后输出尺寸大小

输入:L*L*D

池化参数: 大小size=F*F*d,滑动步长stride=S

输出:l*l*d

则输出尺寸为:l=(L-F)/S+1

3、感受野的计算

(1)原始输入的感受野为1,即RF_{i} =0

(2)后面的层感受野,注意F_{i}为卷积或者池化的大小,s_{k}包含卷积和池化的步长,计算的时候,卷积和池化都要进行计算,而且是一个递归过程(即每后一层感受野都受到前面所有卷积层和池化层的影响),除了卷积和池化,其他层并不影响感受野大小。

RF_{i} =RF_{i-1}+ \left [ (F_{i}-1)*\prod_{k=1}^{i-1}s_{k} \right ]

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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