转载：cnn学习之卷积或者池化后输出的map的size计算

最新推荐文章于 2024-08-15 15:56:13 发布
最新推荐文章于 2024-08-15 15:56:13 发布
阅读量176 收藏
点赞数
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。
本文链接：https://blog.youkuaiyun.com/randy_01/article/details/88407441
本文详细介绍了在卷积神经网络(CNN)中，如何计算卷积层或池化层输出特征图的尺寸。包括不同填充方式对输出尺寸的影响及主流框架如TensorFlow的处理方式。

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

转载：cnn学习之卷积或者池化后输出的map的size计算

相信各位在学习cnn的时候，常常对于卷积或者池化后所得map的的大小具体是多少，不知道怎么算。尤其涉及到边界的时候。
 
首先需要了解对于一个输入的input_height*input_widtht的图像，在卷积或者池化的时候，经常需要加padding，这是为了处理边界问题时而采用的一种方式，于是原输入就变成了下图所示：
 
对于输出的size计算 如下图：
out_height=（(input_height - filter_height + padding_top+padding_bottom)/stride_height  ）+1
out_width=（(input_width - filter_width + padding_left+padding_right)/stride_width ）+1
 
只不过往往
out_height=out_width ，
input_height = input_width   
fillter_height=filter_width  padding_top=padding_bottom=padding_left=padding_right  
stride_width=stride_height罢了
 
 
此外对于当前主流的cnn框架
 
tensorflow中是如此计算的：
首先对于padding有两个默认的选项same和valid ，如果是valid的话，则padding的四个值均为0，也就是没有padding
对于same，计算方式如下图，图中out的值可以直接计算出来的原因是因为padding的值是一个根据输入的定值的；大家把pad_along_height的等式转化成，左边是out_height,右边是其他的形式。就一样了。
 
 
其他的框架，比如caffe，应该都是自己设置padding的值大小。
 
至于padding出来的区域的值，一般填0。或者复制边界的值等等。
posted @ 2018-05-09 14:25 佟学强 阅读( ...) 评论( ...) 编辑 收藏
CNN中卷积层/池化层 Feature map输出计算
dxtql的博客
09-21 475
Feature map计算
池化技术总结
CV技术指南（微信公众号）
01-13 1057
本文来源于公众号《CV技术指南》的技术总结部分，更多相关技术总结请扫描文末二维码关注公众号。 导言： 池化是一个几乎所有做深度学习的人都了解的一个技术，大家对池化如何进行前向传播也都了解，池化的作用也了解一二。然而，池化如何回传梯度呢，池化回传梯度的原则是什么呢，最大池化与平均池化的区别是什么呢，什么时候选择最大池化、什么时候选择平均池化呢。 主要用的池化操作有平均池化、最大池化、全局平均池化，全局自适应池化。此外还有很多，如RoI池化、金字塔池化、重叠池化、随机池化、双线性池化等。 ...
cnn学习之卷积或者池化后输出的map的size计算
BVL的博客
12-05 5557
详细各位在学习cnn的时候，常常对于卷积或者池化后所得map的的大小具体是多少，不知道怎么算。尤其涉及到边界的时候。 首先需要了解对于一个输入的input_height*input_widtht的图像，在卷积或者池化的时候，经常需要加padding，这是为了处理边界问题时而采用的一种方式，于是原输入就变成了下图所示： 对于输出的size计算 如下图： out_height=（
CNN 卷积之后 map大小的计算
欢迎来到我的酒馆
09-01 3742
上图13×1313\times13的map经过3×33\times3的卷积核 stride为2的卷积之后 map变成了 6×66\times6 观察右下角，可以总结出计算过程： 13-3 = 10 10/2 = 5 5 + 1 = 6也就是 (map-size)/stride + 1
神经网络之卷积层，池化层输出大小计算
AI学长
05-13 2791
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
学习笔记：深度学习（3）——卷积神经网络（CNN）理论篇
热门推荐
Morganfs的博客
04-12 11万+
深度学习笔记——CNN卷积神经网络理论篇。主要包括CNN的概念、基本原理、类型综述。算是比较完善的一篇文章了。
卷积-池化-激活
qq_45898993的博客
05-21 1230
文章目录01 实现卷积-池化-激活1.1 python实现1.2 Torch 实现1.3 实验结果02 图像可视化2.1 原图像2.2 卷积核2.3 特征图2.4 卷积+relu后的特征图2.5 实验源码03 总结Reference 01 实现卷积-池化-激活 CNN 会比较图片里的各个局部信息。在相似的位置上进行特征特征比对，会更好地分辨两张图片是否相同。 卷积 CNN提取局部信息的方式是通过卷积来实现的。具体的操作流程为 对于位置做乘法，得到 9 个值 9 个值进行相加 得到的值在除以 9 e
一维卷积filter_理解CNN卷积层与池化层计算
weixin_39814126的博客
02-05 1838
概述深度学习中CNN网络是核心，对CNN网络来说卷积层与池化层的计算至关重要，不同的步长、填充方式、卷积核大小、池化层策略等都会对最终输出模型与参数、计算复杂度产生重要影响，本文将从卷积层与池化层计算这些相关参数出发，演示一下不同步长、填充方式、卷积核大小计算结果差异。一：卷积层卷积神经网络(CNN)第一次提出是在1997年，杨乐春(LeNet)大神的一篇关于数字OCR识别的论文，在2012年的I...
机器学习-卷积神经网络（CNN）
qq_42538588的博客
08-15 6613
交叉熵损失用于评估预测概率分布与实际标签分布之间的差异。对于一个多分类问题，交叉熵损失 ( L ) 的定义为：( C ) 是类别数。( y_i ) 是实际标签的指示函数。如果样本属于第 ( i ) 类，则 ( y_i = 1 )，否则为 ( 0 )。( \hat{y}_i ) 是模型对第 ( i ) 类的预测概率。均方误差 ( L ) 定义为：( N ) 是样本数量。( y_j ) 是真实值。( \hat{y}_j ) 是预测值。
CNN卷积后输出size的计算
Pichairen
05-15 2万+
来个详细版的如下： source 来个简版的如下： source padding =“SAME”的情况： 这里插一句帮助理解：自动补全的话，考虑步长为1，每一卷积从第一个维度开始一步一步移动，直到最后一个维度，那么输出肯定是和原来的维度一样，如果步长不是1比如为2 就要向上取整。比如7*7的图像采用3*3大小的卷积核进行卷积操作，padding = “SAME”的情况下就是...
ConcurrentHashMap 1.8 计算 size 的方式
L__ear的博客
06-03 3784
相关字段： /** * Base counter value, used mainly when there is no contention, * but also as a fallback during table initialization * races. Updated via CAS. */ private transient volatile long baseCount; /** * Spinlock (lock
CNN中常见卷积操作输出计算
GlaDOS.AI的博客
04-13 7202
一般卷积计算输出计算， ，其中N为输入N×N图像的一边长、Pad为Padding填充数、kernal为卷积核（一般3×3）的单边数、stride为kernal的移动步长。 这里需要注意，M为向下取正，所以当（P=1, K=3, S=2）时，N=5与N=6计算得到M都为3。Dilated卷积输出计算， ，其中dilaterate就为空洞数、核间隔（ ）。就是k放大后计算一般...
在TensorFlow中的cnn卷积和池化的计算及参数详解
Thinking data
07-15 6614
在TensorFlow中的cnn卷积和池化的计算及参数详解 TensorFlow中的卷积一般是通过tf.nn.conv2d()函数实现的具体可以查看官网：https://www.tensorflow.org/api_docs/python/tf/nn/conv2d TensorFlow中的池化有几种方式举个例子：通过tf.nn.max_pool函数实现的具体可以查看官网：htt
正常输出计算后的样式
liux6687的博客
05-17 207
<script type="text/javascript"> // 获取元素 var oBox = document.getElementById("box"); var oPic = document.getElementById("pic"); /*能力检测函数 只要用户输入要计算的元素对象和属性名 都可以正常输出计算后的样式 参数：对象obj val(不管是驼峰或短...
卷积、池化后的图像大小计算（附例子）
木头VS星星
06-11 2万+
用CNN网络进行图片处理，就会遇到卷积、池化后的图像大小问题，一般搜到的答案是这样的：对于初学者，看到这个公式的唯一疑问是：P值到底是多少？在Tensoflow中，Padding有2个选型，'SAME'和'VALID' ，下面举例说明差别：如果 Padding='SAME'，输出尺寸为： W / Simport tensorflow as tf input_image = tf.layers.In...
CNN中卷积层参数量与输出特征图(feature map)尺寸的计算公式
半度微凉的博客
02-27 1637
https://blog.youkuaiyun.com/gaishi_hero/article/details/81512404
池化的计算
ncst
07-11 2万+
设置 H = height, W = width, D = depth 输入维度是 4x4x5 (HxWxD) 滤波器大小 2x2 (HxW) stride 的高和宽都是 2 (S) 新的高和宽的公式是： new_height = (input_height - filter_height)/S + 1 new_width = (input_width - filter
CNN中卷积层参数量与输出特征图(feature map)尺寸的计算
weixin_40200315的博客
07-30 4522
https://blog.youkuaiyun.com/gaishi_hero/article/details/81512404 https://blog.youkuaiyun.com/xuefengyang666/article/details/94734491
CNN卷积过程输出特征图的尺寸与维度变化（以VGG模型为例）
fun_always的博客
01-22 2万+
       卷积过程是CNN的核心，准确推导各卷积层输出的维度是实现CNN的基础，下面总结一下CNN卷积过程中输出特征图的尺寸与维度变化规律.        CNN常以图像作为输入，例如VGG的输入图像格式就为224*224*3，其中224*224是图像的height*width，3是通道数。因此，VGG的输入数据实际上是一个三维的变量，卷积层中的卷积核相应也应是三维。通常情况下，输入图像的h...
卷积和池化的操作原理
最新发布
05-20
### 卷积神经网络中卷积层和池化层的工作机制 #### 卷积层的操作原理 卷积层的核心功能是从输入数据中提取局部特征。这一过程主要依赖于滤波器（也称为核，Kernel）与输入数据之间的卷积运算。具体而言，滤波器是一个小型矩阵，在输入数据上以滑动窗口的形式移动，并在每个位置执行逐元素乘法后再求和得到输出值[^1]。 这种操作可以被描述为以下步骤： - 输入图像或前一层的激活图作为基础。 - 使用多个可训练的小型滤波器扫描整个输入区域。 - 每次应用滤波器时，都会生成一个新的数值，这些数值共同构成一个特征映射（Feature Map），用于表示特定类型的模式或结构。 通过这种方式，卷积层能够在不同尺度下捕获诸如边缘、角点以及更复杂的形状等特征[^3]。 #### 池化层的作用机理 池化层的主要目的是减少特征地图的空间尺寸，从而降低模型复杂度并提高计算效率的同时保留重要信息。最常用的两种池化方法分别是最大池化(Max Pooling) 和平均池化(Average Pooling)[^2]： - **最大池化**选取非重叠子区域内最大的响应值作为代表； - **平均池化**则取该范围内所有单元格值得均值。 这两种策略都能有效压缩数据量级而不丢失关键属性，同时还赋予了网络一定程度上的平移不变性——即使对象稍微位移也不会影响最终判断结果[^1]。 ```python import torch.nn as nn class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() # 定义卷积层 self.conv_layer = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=(3, 3), stride=1, padding='same') # 定义池化层 self.pool_layer = nn.MaxPool2d(kernel_size=(2, 2)) def forward(self, x): # 应用卷积操作 conv_output = self.conv_layer(x) # 对卷积后的输出施加ReLU激活函数 relu_output = nn.ReLU()(conv_output) # 进行池化降维 pooled_output = self.pool_layer(relu_output) return pooled_output ``` 以上代码片段展示了一个简单的两步流程：先经过一次标准二维卷积变换增加通道数至64个新特性维度；接着利用大小为\(2 \times 2\)的最大池化进一步简化表达形式。
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

打赏作者

佟学强

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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