卷积池化后的大小

最新推荐文章于 2025-05-22 09:57:53 发布

qq_32801595

最新推荐文章于 2025-05-22 09:57:53 发布

阅读量5.9k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习 Python tensorflow

本文链接：https://blog.youkuaiyun.com/qq_32801595/article/details/80638896

该博客详细介绍了在一个28*28单通道图片上，经过两层卷积和两次最大池化操作后，使用'SAME'和'VALID'两种填充方式对图像尺寸的影响。在'SAME'模式下，最终尺寸为[batch_size, 7, 7, 64]；而在'VALID'模式下，尺寸变为[batch_size, 4, 4, 64]。" 134472908,8753399,MFC实现桌面歌词滚动效果,"['MFC', 'C++']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

‘SAME’
这里写图片描述

‘VALID’
这里写图片描述

比如输入图片是28*28的单通道图片，其输入shape为[batch_size, 28, 28, 1];

第一层卷积为32个5*5卷积核，其shape为[5,5,1,32]，其步长strides为[1,1,1,1]，紧接着是第一层的2*2的max_pooling，其形状为[1,2,2,1]，其步长strides为[1,2,2,1];
第二层卷积为64个5*5卷积核，其shape为[5,5,32,64]，其步长strides为[1,1,1,1]，紧接着是第一层的2*2的max_pooling，其形状为[1,2,2,1]，其步长strides为[1,2,2,1];
padding全部使用SAME;
那么图像的尺寸经过以上两次卷积，两次池化后的变化如下：
[batch_size, 28, 28, 1]
↓ (第一层卷积)
[batch_size, 28, 28, 32]
↓ (第一层池化)
[batch_size, 14, 14, 32]
↓ (第二层卷积)
[batch_size, 14, 14, 64]
↓ (第二层池化)
[batch_size, 7, 7, 64]

如果上述所有的卷积核，池化核以及步长都保持不变，但是全部使用VALID模式，那么尺寸变化如下：
[batch_size, 28, 28, 1]
↓ (第一层卷积)
[batch_size, 24, 24, 32]
↓ (第