caffe特殊层以及feature map 尺寸计算

最新推荐文章于 2021-05-08 16:27:05 发布

原创最新推荐文章于 2021-05-08 16:27:05 发布 · 443 阅读

0 ·

CC 4.0 BY-SA版权

Ubuntu 专栏收录该内容

52 篇文章

订阅专栏

本文详细解析了卷积神经网络中特征图尺寸的计算公式，包括卷积层、反卷积层及Reshape层的处理方式。同时介绍了空洞卷积及全连接层的工作原理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.Feature map尺寸

对于convolution:

output = (input + 2 * p - k) / s + 1;

对于deconvolution:

output = (input - 1) * s + k - 2 * p;

Reshape层：(改变blob的形状，N,C,W,H)

layer {
    name: "reshape"
    type: "Reshape"
    bottom: "input"
    top: "output"
    reshape_param {
      shape {
        dim: 0  # copy the dimension from below
        dim: 2
        dim: 3
        dim: -1 # infer it from the other dimensions
      }
    }
  }
 
#有一个可选的参数组shape, 用于指定blob数据的各维的值（blob是一个四维的数据：n*c*w*h）。
 
#dim:0  表示维度不变，即输入和输出是相同的维度。
 
#dim:2 或 dim:3 将原来的维度变成2或3
 
#dim:-1 表示由系统自动计算维度。数据的总量不变，系统会根据blob数据的其它三维来自动计算当前维的维度值 。
 
#假设原数据为：32*3*28*28， 表示32张3通道的28*28的彩色图片
#   shape {
#   dim: 0  32-32
#   dim: 0  3-3
#   dim: 14 28-14
#   dim: -1 #让其推断出此数值
#   }
 
#输出数据为：32*3*14*56

conv-dilation空洞卷积。

积核为33的，膨胀系数为2，那么，卷积核膨胀之后，卷积核的单边尺寸就变成了2(3-1)+1，即卷积核的尺寸变成了55

inner_product_layer也即全连接层，如下示意图，每个输出都连接到所有的输入。