通过卷积层和池化层后输出大小怎么得出

本文介绍了卷积神经网络中卷积层与池化层的特征图大小计算方法,包括卷积核大小、步长、填充等参数对输出尺寸的影响,并提供了具体的计算公式与实例。

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

通过卷积层与池化层后,特征图的大小怎么计算

这里引入cs231n中的课件说明一下:

卷积层:

 参数:W:宽  H:高 D:深度 K:卷积核的个数 F:卷积核的大小 S:步长 P:用0填充


W/H=[(输入大小-卷积核大小+2*P)/步长]  +1.   

举个例子



上图中的 output =[(7-3)+2*1]/1 +1 =7

图中也提到了padding 的选择,

  1. 如卷积核为3时 padding 选择1
  2. 如卷积核为5时 padding 选择2
  3. 如卷积核为7时 padding 选择3

池化层

池化层的计算与卷积层一样


至此。

评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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