卷积或池化后的特征图尺寸计算

最新推荐文章于 2024-10-09 17:41:03 发布

原创最新推荐文章于 2024-10-09 17:41:03 发布 · 4.7k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#特征图尺寸计算

博客介绍了卷积层或池化层后图像尺寸的计算方法。设输入图像尺寸为W，卷积核尺寸为F，步幅为S，Padding为P，通用公式是（W - F + 2P）/ S + 1。还分别阐述了Padding为‘SAME’和‘VALID’时的输出尺寸计算，并给出验证用例。

部署运行你感兴趣的模型镜像

设输入图像尺寸为W，卷积核尺寸为F，步幅为S，Padding使用P，则经过卷积层或池化层之后的图像尺寸为（W-F+2P）/S+1。
1、如果 Padding=‘SAME’，with zero paddding，则输出尺寸为： W / S（结果向上取整）；
验证用例（输入为257，卷积核尺寸为3X3，步幅为2）：
在这里插入图片描述
验证结果：

由上可见结果为129，满足W / S（结果向上取整）。
2、如果 Padding=‘VALID’，without padding，输出尺寸为：(W - F + 1) / S（结果向上取整）。
验证用例（输入为257，卷积核尺寸为3X3，步幅为2）：
在这里插入图片描述
验证结果：

由上可见结果为128，满足(W - F + 1) / S（结果向上取整）。

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.9

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。它提供了一个灵活的平台,用于构建和训练各种机器学习模型

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

yueyangguo

关注关注

0
点赞
踩
11

收藏

觉得还不错? 一键收藏
2
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

卷积池化后-特征图大小的计算

rover

04-20

1402

featureMap的大小有什么规律，怎么计算呢？ padding就是扩充图片，在输入图片外围补充一些像素点，并初始化为0。目的是保持feature map 不要太小。 Tensorflow中的填充只有两种类型：SAME：是填充；VALID：是不填充。 # VALID 对应的是不填充，即不做任何处理。 # SAME 这种填充方式在strides=1的情况下，使得输出能够保...

卷积池化后的特征图尺寸计算

weixin_46428351的博客

05-04

977

假设输入特征图的长宽为inputsize，卷积核的尺寸为kernalsize，进行卷机操作时的补0数记作padding，步长为stride，那么输出特征图的大小outsize为：outsizestrideinputsize−kernalsize2∗padding。

2 条评论您还未登录，请先登录后发表或查看评论

卷积核、池化层输出尺寸计算公式，VGG16神经网络结构图及各层推导及PyTorch实现代码

Zijie123pea的博客

03-17

4874

卷积层使用卷积处理图像，输出的图像的尺寸为： Wout=Win−Wfilter+2PS+1W_{out}=\frac{W_{in}-W_{filter}+2P}{S}+1Wout=SWin−Wfilter+2P+1 Hout=Hin−Hfilter+2PS+1H_{out}=\frac{H_{in}-H_{filter}+2P}{S}+1Hout=SHin−Hfilter+2P+1 公式中WfilterW_{filter}Wfilter和HfilterH_{filter}Hfil

计算卷积和池化后图片尺寸

weixin_43235206的博客

06-19

449

计算卷积和池化后图片尺寸 #include "math.h" #include <iostream> using namespace std; void Conv(int width, int height, int filter, int padding, int stride) { cout << "-------------------------------" << endl; cout << "width:" << floor((w

[转载]卷积，池化操作后的图像尺寸计算

qq_52254197的博客

05-24

3635

[转载]卷积，池化操作后的图像尺寸计算原文一，卷积操作若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN： N=W−F+2PS+1 N=\frac {W-F+2P} {S} +1 N=SW−F+2P+1 若图像为矩形：设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则：卷积后输出图像大小： W=W−F+2PS+1H=H−F+2PS+1 W=\frac {W-F+2P}

卷积神经网络系列之卷积/池化后特征图大小怎么计算？？

橙子Blue不加冰

12-16

1万+

1.卷积后的大小： W：矩阵宽，H：矩阵高，F：卷积核宽和高，P：padding（需要填充的0的个数），N：卷积核的个数，S：步长 width：卷积后输出矩阵的宽，height：卷积后输出矩阵的高 width = （W - F + 2P）/ S + 1 height = （H - F + 2P） / S + 1 当conv2d(), max_pool() 中的 padding=SAME时，width=W，height=H，则保证输入输出尺寸图片大小相等，当padding=‘valid’时，P=0，相当于不填

卷积运算和运算后特征图大小计算2

12-21

本篇文章将深入探讨卷积运算时特征图大小的计算，特别关注两种不同的填充方式——padding="same"和padding="valid"，以及池化操作后特征图的大小变化。 1. **卷积运算** - **padding="valid"**：在这种情况下，不...

pytorch中的卷积和池化计算方式详解

09-18

3. 特征图数量：卷积层可以改变特征图的数量（`out_channels`），而池化层不改变特征图的数目，仅降低空间维度。此外，卷积层的`groups`参数是PyTorch的一个独特之处，它允许实现分组卷积，如Xception网络中所用的...

cv知识点(卷积和池化)

JIA_NG_FA_N的博客

06-23

1715

1.卷积核（Kernel）：卷积操作的感受野，直观理解就是一个滤波矩阵，普遍使用的卷积核大小为3×3、5×5等；2.步长（Stride）：卷积核遍历特征图时每步移动的像素，如步长为1则每次移动1个像素，步长为2则每次移动2个像素（即跳过1个像素），以此类推；3.填充（Padding）：处理特征图边界的方式，一般有两种，一种是对边界外完全不填充，只对输入像素执行卷积操作，这样会使输出特征图的尺寸小于输入特征图尺寸；

图片经卷积或池化后尺寸大小计算

Infinity_and_beyond的博客

03-22

3582

卷积层的作用是，这些特征是由图像中的每个像素通过组合或者独立的方式所体现，比如图片的纹理特征，颜色特征。卷积层有很多卷积核，通过做越来越多的卷积，提取到的图像特征会越来越抽象。：参数代表输入特征矩阵的深度即channel，比如输入一张RGB彩色图像，那：参数代表卷积核的个数，使用n个卷积核输出的特征矩阵深度即channel就是：参数代表卷积核的尺寸，输入可以是int类型如3，代表卷积核的，也可以是tuple类型如(3, 5)代表卷积核的：参数代表卷积核的步距，默认为1，和一样输入可以是int。

卷积池化计算公式

阿飞CVPR

05-23

1万+

卷积、池化计算公式

weixin_47106580的博客

10-09

631

输出高度=（输入高度 - kernel高度 + 2 * padding）/ 步长stride + 1。一次卷积：（200 - 5 + 2 * 1）/ 2 +1 = 99.5 向下取整99。二次池化：（99 - 3 + 2 * 0）/ 1 + 1 = 97。三次卷积：（97 - 3 + 2 * 1）/ 1 +1 = 97。其中卷积操作向下取整，池化向上取整。

Pytorch学习笔记（五）——CNN中卷积和池化操作后的特征图大小计算方法

qq_23345187的博客

11-15

9998

一、卷积操作注意：卷积操作需要向下取整假设：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，填充为P,经过该卷积层后输出的图像尺寸为NxN,计算公式为： N=W−F+2PS+1 N=\cfrac {W-F+2P} {S}+1 N=SW−F+2P+1 设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，填充为P，则： W=W−F+2PS+1 W=\cfrac {W-F+2P} {S}+1 W=SW−F+2P+1 H=H−F+2PS+1 H=\cfrac {H-F+2

卷积池化公式

ysl的博客

06-11

1761

卷积层与池化层输出的尺寸的计算公式详解

S0ybean的博客

10-08

5669

公式计算卷积（池化）输入输出个数

神经网络之卷积层，池化层输出大小计算

AI学长

05-13

2827

设计网络卷积层的参数：（1）输入图片大小（矩形）： AA （2）卷积核大小： KK （3）步长： S （4）填充padding： p 那么卷积层的输出为： N = (A − k + 2p ) / s + 1

卷积/池化后的图片大小计算

qq_32172681的博客

08-06

3460

1、卷积操作设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN： 2、池化操作设输入图像尺寸为WxW，卷积核的尺寸为FxF，步幅为S，池化后输出图像大小： ...

CNN中卷积和池化计算公式

最新发布

07-22

你的问题非常有深度，也非常关键：**池化和卷积在计算输出尺寸时，确实使用了相同的公式**。这是因为在底层实现上，它们本质上都是“滑动窗口”操作。 --- ## ✅ 回答：是的，**池化层和卷积层在计算输出特征图尺寸时，使用的是完全相同的公式**，因为它们都属于**滑动窗口操作**（sliding window operation）。 --- ## 📐 输出尺寸计算公式（卷积 & 池化通用）对于输入尺寸为 `(H_in, W_in)` 的特征图，经过一个窗口大小为 `kernel_size`，步长为 `stride`，边缘填充为 `padding` 的操作后，输出特征图的空间尺寸 `(H_out, W_out)` 为： $$ H_{out} = \left\lfloor \frac{H_{in} + 2 \times \text{padding} - \text{kernel\_size}}{\text{stride}} \right\rfloor + 1 $$ $$ W_{out} = \left\lfloor \frac{W_{in} + 2 \times \text{padding} - \text{kernel\_size}}{\text{stride}} \right\rfloor + 1 $$ --- ## 🧠 为什么池化和卷积使用相同公式？因为它们的底层操作机制是一样的： | 操作类型 | 是否学习参数 | 窗口操作 | 是否降维 | 输出尺寸计算方式 | |----------|---------------|-----------|------------|-------------------| | 卷积 | 是 | 是 | 可以 | 相同公式 | | 池化 | 否 | 是 | 可以 | 相同公式 | - **卷积**：滑动窗口进行加权求和； - **池化**：滑动窗口进行统计操作（如最大值、平均值）； - **窗口大小、步长、填充**都会影响输出尺寸； - 所以，它们的输出尺寸公式是一样的； --- ## 🧪 示例：卷积和池化输出尺寸对比 ### 1. 卷积层输出尺寸计算 ```python import torch import torch.nn as nn conv = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, stride=2, padding=1) input = torch.randn(1, 3, 6, 6) output = conv(input) print(output.shape) # 输出：torch.Size([1, 16, 3, 3]) ``` 计算： $$ H_{out} = \left\lfloor \frac{6 + 2 \times 1 - 3}{2} \right\rfloor + 1 = \left\lfloor \frac{5}{2} \right\rfloor + 1 = 2 + 1 = 3 $$ --- ### 2. 池化层输出尺寸计算 ```python pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0) input = torch.randn(1, 3, 6, 6) output = pool(input) print(output.shape) # 输出：torch.Size([1, 3, 3, 3]) ``` 计算： $$ H_{out} = \left\lfloor \frac{6 + 2 \times 0 - 2}{2} \right\rfloor + 1 = \left\lfloor \frac{4}{2} \right\rfloor + 1 = 2 + 1 = 3 $$ --- ## ✅ 总结 | 特性 | 说明 | |------|------| | 公式一致 | 池化和卷积的输出尺寸公式一致 | | 原因 | 都是滑动窗口操作，窗口大小、步长、填充影响输出 | | 不同点 | 卷积有参数学习，池化没有 | | 应用 | 卷积提取特征，池化下采样，减少计算量 | --- ###