TensorFlow———输入层到卷积层的尺寸的变化

最新推荐文章于 2021-11-18 16:47:27 发布
原创 最新推荐文章于 2021-11-18 16:47:27 发布 · 926 阅读 · 0 ·
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。

输入层到卷积层在过滤器步长不为1的情况下，会引起尺寸的缩小。这时候有些人就很难对卷积层的尺寸进行判断。

假设：

OUTlongth代表输出层的长度。

OUTwidth代表输出层的宽度。

INlength代表输入层的长度。

INwidth代表输入层的宽度。

FILTERlength和FILTERwidth分别代表过滤器的长和宽。

STRIDElength和STRIDEwidth分别代表过滤器在长度和宽度上移动的步长。

在有全0填充的时候有：

不使用全0填充的时候有：

【第3章：卷积神经网络（CNN）——3.2卷积层、池化层、全连接层的详细介绍】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
02-14 531
卷积层，作为CNN的心脏，主要负责从输入图像中提取有用的特征信息。想象一下，你拿着一个“滑动窗口”（也就是卷积核或滤镜）在图像上滑动，这个窗口每滑动到一个位置，就与图像局部区域进行点积运算，从而提取出该区域的特征。这些特征被整理成特征图（Feature Map），用于后续的处理。池化层，紧随其后的是卷积层，主要负责对特征图进行降维，同时保留重要的特征信息。池化层通常放在卷积层之后，以减少计算量和防止过拟合。
python cnn代码_卷积神经网络CNN与基于MNIST的Python代码示例
weixin_39777967的博客
12-08 1320
卷积神经网络入门学(1)作者：hjimce卷积神经网络算法是n年前就有的算法，只是近年来因为深度学习相关算法为多层网络的训练提供了新方法，然后现在电脑的计算能力已非当年的那种计算水平，同时现在的训练数据很多，于是神经网络的相关算法又重新火了起来，因此卷积神经网络就又活了起来。在开始前，我们需要明确的是网上讲的卷积神经网络的相关教程一般指的是神经网络的前向传导过程，反向传播都是用梯度下降法进行训练，...
tensorflow卷积运算的输入
weixin_47532216的博客
11-18 268
  输入shape为：batch_shape + [in_height, in_width, in_channels] 。为了学习宽和高具体指什么？通过屏幕分辨率(screen resolution)进行进一步的学习：
tensorflow卷积神经网络的卷积操作
snailYWW的博客
01-24 518
卷积神经网络的一些知识： import tensorflow as tf import numpy as np a=np.array([[1,1,0,1],[0,0,0,0]]) b=a.reshape(2,2,1,2)#input batch为2，通道为1时 ，输出果然是2*3*3*2 filter=tf.Variable(b,dtype=tf.float32) a1=np.arange(3
tensorflow2.1学习--熟悉TensorFlow写整个项目即鸢尾花项目
进击的菜鸟
07-07 1368
# -*- coding: UTF-8 -*- # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线 # 导入所需模块 import tensorflow as tf from sklearn import datasets from matplotlib import pyplot as plt import numpy as np # 导入数据，分别为输入特征和标签 x_data = datasets.load_iris().data y_data = datasets.load_ir.
tensorflow2.2自定义层
csdnhuizhu的博客
06-05 387
1.most TensorFlow APIs are usable with eager execution.
卷积神经网络中的filter是怎么工作的
终结大笨狗的博客
10-12 3万+
首先，写这个文档的原因是因为我转载了一篇文章，不会编辑。擦。。。。 首先收输入层是毛东西？     就是输入的图像，有可能是三通道的有可能是单通道的。    比如28*28*1或者28*28*3 分别代表的是大小为28*28，通道数分别为单通道和三通道的图片 其次，什么是filter呢    filter的最大的特点是其深度与输入层的深度是一致的。输入层是单通道，filter也是
关于tensorflow与pytorch里的卷积层
咔咔响
08-27 745
上一篇我们介绍了卷积核的一些基本情况，现在来看一下它的计算机实现。传送门：卷积核的基本概况tf的卷积层图片识别应用最多的是2D-卷积，我们着重介绍。2D-卷积2D-卷积与反卷积的tenso...
NLP-使用tensorflow构建神经网络——卷积层和池化层细节说明
spring_willow的博客
05-04 1720
背景介绍 本文内容是使用CNN进行文本分类，主要记录文本分类问题中使用tensorflow进行神经网络构建的内容。此篇承接上一篇的NLP-使用tensorflow构建神经网络——嵌入层细节部分说明。 目录 背景介绍 目录 一、CNN模型图 二、卷积和池化代码 三、细节说明之tf.truncated_normal;tf.concat；tf.reshape ①tf.truncated...
全连接层后面加bn层_tensorflow2.0——卷积神经网络的全连接层、卷积层、池化层、BN层、激活层、dropout层及其他层...
weixin_39611072的博客
12-22 2048
一、全连接层tensorflow中用tf.keras.layers.Dense()这个类作为全连接的隐藏层，下面是参数介绍：tf.keras.layers.Dense()inputs = 64, # 输入该网络层的数据units = 10, # 输出的维度大小activation = None, # 选择使用的(激活函数)use_bias = True, # 是否使用(偏置项)kernel_ini...
Tensorflow——图像的语义分割
Digger的博客
12-30 3743
图像的语义分割 图像的语义分割是计算机视觉中十分重要的领域。它是指像素级地识别图像，即标注出图像中每个像素所属的对象类别。
Tensorflow不定长卷积与解卷积
songbinxu的博客
12-13 2203
Tensorflow不定长卷积与解卷积   在用CNN处理某些图像或时序输入时，需要考虑输入长度不固定的情况。例如在做场景文字识别时，输入的图像是已经被检测出来的长方形的包含文字的图像，这些 “检测框” 的长度不一。一般有两种做法，第一种从数据下手，将输入 padding 或 resize，所谓 padding 即给定一个固定长度，将短于该长度的样本补零，将长于该长度的样本截断或丢弃，所谓 res...
TensorFlow卷积后的尺寸变化
thisiszdy的博客
02-18 960
1.卷积后尺寸计算 out_height=(in_height+2padding-filter_height)/strides[1]+1 out_width=(in_width+2padding-filter_width)/strides[2] +1 2.TensorFlow中卷积参数same和valid运算之后的维度计算 (1)‘SAME’ out_height=ceil(float(in_he...
TensorFlow打印每一层的输出
derteanoo的博客
05-12 9497
在test.py中可以通过如下代码直接生成带weight的pb文件，也可以通过tf官方的freeze_graph.py将ckpt转为pb文件。 constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph_def,['net_loss/inference/encode/conv_output/conv_o...
TensorFlow之卷积
laolu1573的专栏
03-07 1468
tf.nn.conv2d是TensorFlow里面实现卷积的函数，参考文档对它的介绍并不是很详细，实际上这是搭建卷积神经网络比较核心的一个方法，非常重要 tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 除去name参数用以指定该操作的name，与方法有关的一共五个参数：
卷积核与卷积计算后特征图的尺寸
肥仔的博客
04-23 1万+
1.卷积核：卷积核就是图像处理时，给定输入图像，在输出图像中每一个像素是输入图像中一个小区域中像素的加权平均，其中权值由一个函数定义，这个函数被称为卷积核。 2.有效填充后特征图的尺寸为： height=(H-h)/S+1; width=(W-w)/S+1; H,W分别是输入图的尺寸，h,w分别是卷积核的尺寸 ...
卷积层和池化层之后图片尺寸改变
u011613695的博客
04-11 1万+
最近碰到的总是TF中的参数问题，其中一个padding的参数值设置觉得比较重要。tf中padding提供两种填充方式：VALID和SAME。 对于VALID，输出的形状计算如下： 对于SAME，输出的形状计算如下： 其中，WW为输入的size，F为filter的size，S为步长，向上取整。 因为网上很多文章在讲的时候是按照一维二维区分开的，一维中填充先判定填充数是否为奇数，如果是奇数的话多出...
CNN的超参数 & 宽卷积和窄卷积的理解及tensorflow中的实现
lujiandong1的专栏
01-01 1万+
窄卷积 vs 宽卷积 在上文中解释卷积运算的时候，我忽略了如何使用滤波器的一个小细节。在矩阵的中部使用3x3的滤波器没有问题，在矩阵的边缘该怎么办呢？左上角的元素没有顶部和左侧相邻的元素，该如何滤波呢？解决的办法是采用补零法（zero-padding）。所有落在矩阵范围之外的元素值都默认为0。这样就可以对输入矩阵的每一个元素做滤波了，输出一个同样大小或是更大的矩阵。补零法又被称为是宽卷积，不
卷积神经网络详解 - 卷积层逻辑篇
热门推荐
tjlakewalker的专栏
10-24 4万+
本系列文章为深度学习笔记，方便自己回看。 卷积计算概述 对于图像识别来说，卷积神经网络的效果要好于全连接神经网络。我在首次接触卷积时，隐约记得在大一高数课程中曾经提及，但具体已经无法名状。何谓卷积，知乎的这个回答，"如何通俗易懂地解释卷积" ，解释得很详细，摘出部分如下，以方便阅读。 "从数学上看，卷积是一种运算。我们称(f*g)(n)为f,g的卷积，其连续的定义为 其离散的定义为 ...
基于tensorflow-quantum对卷积层输出进行角度量子编码
最新发布
01-20
### 实现角度量子编码 在 TensorFlow Quantum 中实现卷积层输出的角度量子编码涉及几个关键步骤。首先，需要理解卷积神经网络（CNN）中的卷积层会提取图像特征并将这些特征转换成一系列数值表示[^3]。 为了将 CNN 的输出用于量子计算，特别是通过角度编码方式输入到量子电路中，可以采用如下方法： 1. **准备数据** 假设已经有一个预训练好的 CNN 模型，并且该模型的最后一层是全连接层或者是其他形式的输出层。对于这个例子来说，重点在于获取卷积层之后的数据作为后续处理的基础。 2. **定义量子部分** 使用 `cirq` 库来创建和操作量子线路。每条线路代表一个 qubit 上的操作序列；在这个场景下，目标是以特定的方式旋转各个 qubit 来反映来自经典 CNN 输出的信息。 ```python import cirq import sympy as sp import numpy as np from tensorflow.keras.applications import VGG16 from tensorflow.keras.models import Model def create_quantum_circuit(angle_values): """Create a simple quantum circuit with rotation gates based on input angles.""" qubits = cirq.GridQubit.rect(1, len(angle_values)) symbols = [sp.Symbol(f'theta{i}') for i in range(len(qubits))] circuit = cirq.Circuit() for idx, value in enumerate(angle_values): circuit += cirq.rx(value).on(qubits[idx]) return circuit, symbols ``` 这里展示了如何基于给定的一组角度值构建简单的单比特 RX 门组成的量子线路。实际应用时可以根据需求调整使用的门类型以及作用于哪些 qubit 上。 3. **集成 CNN 和 TFQ** 接下来就是把上述两部分内容结合起来，在此之前先加载或定义好所需的 CNN 部分。下面的例子展示了一个简化版的过程，其中包含了从现有模型中抽取中间层输出的功能。 ```python base_model = VGG16(weights='imagenet', include_top=False) model = Model(inputs=base_model.input, outputs=[layer.output for layer in base_model.layers]) # 假设我们只关心最后一个卷积层的结果 conv_output = model.predict(image_data)[-1] angles_for_qubits = conv_output.flatten() / max(abs(conv_output)) * np.pi/2 # 归一化至 [-π/2,+π/2] qc, _ = create_quantum_circuit(angles_for_qubits) print("Quantum Circuit:\n", qc) ``` 这段代码片段说明了怎样利用预先存在的 Keras/TensorFlow 模型得到卷积层后的激活图谱，并将其转化为适合传递给量子系统的格式——即一组介于 $-\frac{\pi}{2}$ 到 $\frac{\pi}{2}$ 范围内的实数列表。这一步骤确保了每个 qubit 可以被赋予合理的初始状态来进行进一步的量子运算。 请注意，以上只是一个概念性的框架，具体实施细节可能因项目而异。此外，还需要考虑更多因素如优化器的选择、损失函数的设计等才能完成整个工作流。
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