卷积层、池化层输出图片大小计算

已于 2024-09-23 11:19:17 修改
阅读量1.6k 收藏 24
点赞数 9
分类专栏： 深度学习 文章标签： 深度学习 python
于 2024-04-26 11:36:32 首次发布
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。
本文链接：https://blog.youkuaiyun.com/m0_49866160/article/details/138210946
版权
本文详细介绍了卷积层和池化层在深度学习中的输出图片大小计算方法，指出两者计算公式相同，并通过MNISTCNN模型的代码实例说明了参数对输出尺寸的影响。

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

文章目录

卷积层输出图片大小 计算公式

输入图像大小——Input:n×n
填充大小——Paddings:p
步长——Stride:s
卷积核大小——Filter:k×k

输出图片大小计算公式：
⌊ n + 2 p − k s + 1 ⌋ × ⌊ n + 2 p − k s + 1 ⌋ \lfloor\frac{n+2p-k}{s}+1 \rfloor × \lfloor\frac{n+2p-k}{s}+1 \rfloor ⌊sn+2p−k​+1⌋×⌊sn+2p−k​

最低0.47元/天 解锁文章
AlexNet卷积层、池化层的输出图像尺寸计算
m0_46352350的博客
11-16 3248
AlexNet2012年时计算机的算力还不足以支持这么深层的模型，所以AlexNet当时是把模型并行放在两个GPU上，而这篇文章是合并计算的。值得注意的是，AlexNet模型中输入图像是224×224×3，实际上应该是227×227×3，这样才能计算第一层的feature map。 AlexNet模型 先看模型代码： net = nn.Sequential( nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=1), nn.Re...
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
深度学习｜表示学习｜卷积神经网络｜输出维度公式｜15
最新发布
公众号：快乐变态屋 漂亮大男孩的罗德岛
01-27 1139
在卷积和池化操作中计算输出维度的公式。
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 5025
公式计算卷积（池化）输入输出个数
（pytorch-深度学习系列）pytorch卷积层与池化层输出的尺寸的计算公式详解
我亦是行人
08-29 1万+
pytorch卷积层与池化层输出的尺寸的计算公式详解 要设计卷积神经网络的结构，必须匹配层与层之间的输入与输出的尺寸，这就需要较好的计算输出尺寸 卷积后，池化后尺寸计算公式： (图像尺寸-卷积核尺寸)/步长+1 (图像尺寸-池化窗尺寸)/步长+1 例Conv2d: ` ...
如何计算卷积层输出图像的大小&以及池化大小输出
Go_ahead_forever的博客
07-11 2452
如何计算卷积层输出图像的大小&以及池化大小输出
神经网络之卷积层，池化层输出大小计算
AI学长
05-13 2742
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
自己动手实现深度学习框架-6 卷积层和池化层
自带buff
05-18 767
代码仓库: https://github.com/brandonlyg/cute-dl (转载请注明出处!) 目标         上个阶段使用MLP模型在在MNIST数据集上实现了92%左右的准确率，达到了tensorflow同等模型的水平。这个阶段要让cute-dl框架支持最简单的卷积神经网络, 并在MNIST和CIFA10数据上验证，具体来说要达到如下目标: 添加2D卷积层。 添加2D最大池化层。 CNN模型在MNIST数据集上达到99%以上的准确率。 CNN
【机器学习】卷积层，池化层，全连接层，BN层作用；CNN 网络参数数量的计算
热门推荐
weixin_37985288的博客
06-22 1万+
官方文档：https://keras.io/layers/convolutional/#zeropadding2d https://www.cnblogs.com/ymjyqsx/p/9451739.html 【搬运】conv卷积层： 1.相当于一个特征提取器来提取特征 2.提供了位置信息 3.减少了参数个数 https://blog.youkuaiyun.com/m0_37622530/articl...
Tensorflow基础：卷积层和池化层
蚊子爱牛牛的博客
10-12 8726
深度学习中的卷积层和池化层，已经它们在Tensorflow中的实现
神经网络之卷积层，池化层输出大小计算(转载别人的)
孤独咕噜的博客
09-08 575
总结：卷积输出大小=[（输入大小-卷积核（过滤器）大小+2P）／步长]+1。总结：池化输出大小=[（输入大小-卷积核（过滤器）大小）／步长]+1。输出图像大小： （width，height，N）W:图像宽，H:图像高，D:图像深度（通道数）W:图像宽，H:图像高，D:图像深度（通道数）如卷积核宽高为3时 padding 选择1。如卷积核宽高为7时 padding 选择3。F：卷积核宽高，N:卷积核（过滤器）个数。卷积后输出图像深度： N=D。池化后输出图像深度： N=D。F：卷积核宽高，S:步长。
图片经卷积或池化后尺寸大小计算
Infinity_and_beyond的博客
03-22 3361
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 4530
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
卷积层的相关概念 与 卷积层输出图片大小计算
iioSnail的博客
03-04 4983
本文内容 常见问题：听课时感觉听懂了，一些代码，发现啥都不懂，各个参数的数值应如何指定呢？ 本文会以Pytorch为例，讲解CNN过程中各个参数应如何计算 卷积层的相关概念 图片的channel：图片的通道数，例如，当图片是彩色时，通道数为3，分别是RGB。如果图片是黑白的，那么通道数为1。每个通道对应的图片矩阵称为Feature Map，如果是3个通道，即3个Feature Map。 卷积的计算过程：见图片 滤波器（Filter）和卷积核（convolving kernel）：在上图中， 这
池化层的输入输出计算公式
chen的博客
05-22 2195
池化层（Pooling Layer）通常用于卷积神经网络中，以减少特征的空间尺寸（高度和宽度），从而降低参数的数量和计算复杂度，同时使特征检测更加鲁棒。池化层的操作通常是确定性的，不涉及权重学习。
[转载]卷积，池化操作后的图像尺寸计算
qq_52254197的博客
05-24 3507
[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}
卷积层输出图片的大小计算
gqqad123的博客
07-13 480
卷积/池化后图像大小计算公式
写代码的高酱
02-21 4013
卷积前原图像的大小为old_width×old_height×3old\_width \times old\_height \times 3old_width×old_height×3 卷积核的数量为NNN 卷积核的尺寸为F×FF \times FF×F 卷积步长（stride）为SSS 填充（padding）数量为PPP 则卷积后的图像尺寸大小为new_width×new_height×Nne...
【卷积神经网络--卷积/池化后特征图大小计算公式】
m0_46256255的博客
04-08 2059
空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为“ 扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间隔。当groups=1的时候，假设此时 输入的通道数为n，输出的通道数为m，那么理解为把输入的通道分成1组(不分组)，每一个输出通道需要在所有的输入通道上做卷积，也就是一种参数共享的局部全连接。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑空洞卷积。
卷积层和池化层的工作流程
09-06
1. 输入层：将卷积层的输出特征图传入池化层。 2. 池化操作：池化层通过对特征图的不重叠区域进行降采样操作来减少特征图的尺寸。常见的池化操作有最大池化和平均池化，其中最大池化选择每个区域中的最大值作为代表...
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