CNN卷积池化后维度的变化

原创

于 2019-02-23 10:22:24 发布 · 1.1w 阅读

·

7

·

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。

文章标签：

#CNN #CNN维度

本文详细探讨了CNN中卷积和池化操作后输出维度的计算方法。介绍了输入维度、卷积核大小、步长、填充等关键参数的影响，并给出保持卷积后维度一致的padding策略。对于池化操作，同样阐述了输出维度的计算公式，帮助理解CNN网络的维度变化规律。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

CNN的卷积操作后维度变化：

输入维度： $W_{1} \times H_{1}\times D_{1}$ ，分别代表输入样本的长宽高
卷积操作的超参数
1. 卷积核个数： $K$
2. 卷积核大小： $F\times F$
3. 滑动步长（Stride）： $S$
4. 填充（Padding）： $P$
则输出的维度为，其中

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。