卷积层和池化层输出特征图大小的计算——以LeNet模型为例

最新推荐文章于 2025-04-17 15:57:47 发布
最新推荐文章于 2025-04-17 15:57:47 发布
阅读量7.3k 收藏 37
点赞数 4
分类专栏： 卷积神经网络 文章标签： 特征图大小 卷积层 池化层 LeNet
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/t18438605018/article/details/121737103
版权
本文以LeNet网络为例，探讨卷积层和池化层输出特征图的计算方法。内容包括LeNet的网络结构、特征图大小计算公式、卷积和池化的填充方式，以及在神经网络中的作用。

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

1.LeNet网络模型结构

本文咱们以LeNet网络为例，介绍一下，如何卷积层和池化层输出特征图的大小。
在这里插入图片描述
LeNet算上输入层，有八层。分别是：输入层INPUT、C1卷积层、S2池化层（或者叫下采样）、C3卷积层、S4池化层（或者叫下采样）、C5卷积层、F6全连接层和最后一层输出层OUTPUT。

在这里插入图片描述

LeNet各层，输入图像大小、卷积核大小、步长和通道数以及输出图像大小，如本图所示。

2.特征图大小的计算

卷积层和池化层采用不同的公式。
a.卷积层
在这里插入图片描述
a.池化层
在这里插入图片描述

解释：OutSize为输出图像大小，InputSize为输入图像大小，KernelSize为卷积核大小，Stride为步长，Padding为卷积时填

最低0.47元/天 解锁文章
卷积层、池化层输出图片大小计算
m0_49866160的博客
04-26 1684
卷积层、池化层的输出图片大小计算
深度学习入门——LeNet5模型计算
qingtian_111的博客
04-06 2333
LeNet5 LeNet-5是一个简单地卷积神经网络，可以通过LeNet-5模型来实现MNIST手写体的识别。 LeNet-5模型大致上有两层卷积层，两层池化层，两层全连接层。 操作流程： 1）输入层：输入一张图像（手写体识别的图像一般是黑白的，图像只有单通道），对这张图片先进行数据预处理，使图片的尺寸统一为32x32大小（当然其他大小也可，但图片尺寸不可过大或过小，导致卷积核无法完全提取图像特...
卷积层输出特征图大小计算
chenyuhuaxin的博客
04-09 1290
假设输入图片为：3×200×200。
22-23【动手学深度学习】池化层 + LeNet
最新发布
weixin_59251911的博客
04-17 308
本文主要介绍Pytorch实现卷积层以及著名的卷积神经网络LeNet
卷积神经网络中特征图大小计算公式总结
L888666Q的博客
01-16 1万+
W：输入特征图的宽，H：输入特征图的高，K：卷积核宽和高，Ppadding（需要填充的0的个数），N：卷积核的个数，S：步长width_out：卷积后输出特征图的的宽，height_out：卷积后输出特征图的高。
深度学习-卷积神经网络CNN计算输出特征大小以及参数数量
weixin_44992225的博客
05-09 2188
链接：https://blog.youkuaiyun.com/sinat_42239797/article/details/90646935。
CNN中卷积层参数量与输出特征图(feature map)尺寸的计算公式
热门推荐
gaishi_hero的博客
08-08 2万+
卷积层输入特征图的尺寸为：Hinput×Winput×CinputHinput×Winput×CinputH_{input} \times W_{input} \times C_{input} HinputHinputH_{input}表示输入特征图的高 WinputWinputW_{input}表示输入特征图的宽 CinputCinputC_{input}表示输入特征图的通道数（如果是第一个...
LeNet-5.rar_LeNet-5模型_LeNet模型 PPT_lenet_lenet识别_神经网络
07-15
3. **池化层（Pooling Layers）**：在每个卷积层之后，有一个最大池化层，采用2x2的最大池化窗口，步长为2，目的是降低计算量，同时保持关键特征不变。 4. **全连接层（Fully Connected Layers）**：LeNet-5有两个...
深度学习+pytorch自学笔记（八）——二维卷积层、填充和步幅、多输入和多输出通道、池化层和卷积神经网络（LeNet）
weixin_45719141的博客
08-13 2214
参考书籍《动手学深度学习(pytorch版），参考网址为： https://tangshusen.me/Dive-into-DL-PyTorch/#/chapter05_CNN/5.1_conv-layer https://zh-v2.d2l.ai/chapter_convolutional-neural-networks/index.html 请大家也多多支持这两个很好用的平台~ 大部分内容为书中内容，也有部分自己实验和添加的内容，如涉及侵权，会进行删除。 一、 二维卷积层 卷积神经网络（convolut
手写数字识别——基于TensorFlow LeNet-5模型.zip
03-29
LeNet-5由几个主要部分组成：输入层、两个卷积层、两个最大池化层、一个全连接层和一个输出层。卷积层用于提取图像特征，池化层用于减小数据尺寸并保持关键特征，全连接层则用于分类。 三、TensorFlow与LeNet-5模型...
卷积层的相关概念 与 卷积层输出图片大小计算
iioSnail的博客
03-04 5038
本文内容 常见问题：听课时感觉听懂了，一些代码，发现啥都不懂，各个参数的数值应如何指定呢？ 本文会以Pytorch为例，讲解CNN过程中各个参数应如何计算 卷积层的相关概念 图片的channel：图片的通道数，例如，当图片是彩色时，通道数为3，分别是RGB。如果图片是黑白的，那么通道数为1。每个通道对应的图片矩阵称为Feature Map，如果是3个通道，即3个Feature Map。 卷积的计算过程：见图片 滤波器（Filter）和卷积核（convolving kernel）：在上图中， 这
【CNN】卷积神经网络CNN输出特征图计算+参数量计算+计算量计算
HearMeRoar_的博客
05-17 2251
假设输入图像的宽高为input，卷积核宽高为kernel，步长stride，填充padding（单边填充值），输出特征图的宽高为output。
卷积层输出大小计算公式
哟哟哟哟哟哟
08-13 1224
图中 N代表输入的维度，F是过滤器的维度（卷积核大小），P是padding，外填充的大小，Stride代表卷积的步长
特征图大小_图卷积网络之GAT（Graph Attention Networks）
weixin_35805266的博客
12-18 863
基础各式各样的GCN无非是为了结合节点自身及邻居的特征对节点进行分析，主要包括节点的分类，链路预测，推荐等任务。而这其中最重要的就是如何利用邻居节点的信息，如果对一个节点我们已知它的特征，那么我们是可以用Xgboost对其进行分类，或者其他机器学习的算法进行分析的。GCN解决的就是如何结合邻居的信息。关于GCN的介绍已经有非常优秀知乎回答了如何理解 Graph Convolutional Netw...
特征图大小计算
OdayCollector的博客
09-07 824
卷积中的特征图大小计算有两种方式:‘same’ ,‘valid’ F为卷积核大小,stride为卷积步长 1.valid: 2.same: 卷积是向下取整,池化是向上取整
特征图大小的计算
06-19 1万+
卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，当尺寸不被整除时，卷积向下取整，池化向上取整。   1.如果计算方式采用'VALID'，则： 其中为输出特征图的大小，为输入特征图的大小，F为卷积核大小，stride为卷积步长。 2.如果计算方式采用'SAME'，输出特征图的大小与输入特征图的大小保持不变， 其中padding为特征图填充的圈...
神经网络之卷积层，池化层输出大小计算
AI学长
05-13 2773
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
AlexNet卷积层、池化层的输出图像尺寸计算
m0_46352350的博客
11-16 3273
AlexNet2012年时计算机的算力还不足以支持这么深层的模型，所以AlexNet当时是把模型并行放在两个GPU上，而这篇文章是合并计算的。值得注意的是，AlexNet模型中输入图像是224×224×3，实际上应该是227×227×3，这样才能计算第一层的feature map。 AlexNet模型 先看模型代码： net = nn.Sequential( nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=1), nn.Re...
Pytorch学习笔记（五）——CNN中卷积和池化操作后的特征图大小计算方法
qq_23345187的博客
11-15 9789
一、卷积操作 注意：卷积操作需要向下取整 假设： 设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，填充为P,经过该卷积层后输出的图像尺寸为NxN,计算公式为： N=W−F+2PS+1 N=\cfrac {W-F+2P} {S}+1 N=SW−F+2P​+1 设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，填充为P，则： W=W−F+2PS+1 W=\cfrac {W-F+2P} {S}+1 W=SW−F+2P​+1 H=H−F+2PS+1 H=\cfrac {H-F+2
yolovs输出的特征图尺寸
06-02
YOLOv5 的输出特征图尺寸是根据输入图像的大小和下采样操作的数量来计算的。该网络通常在输入图像上执行多次下采样操作，以提取不同尺度的特征，并生成多个不同尺度的输出特征图。 对于 YOLOv5，输出特征图的尺寸取决于网络的输出层。例如，如果网络输出层的尺寸为 S×S，那么每个输出特征图的尺寸将是 S×S。在 YOLOv5 中，通常会生成多个输出特征图，每个特征图对应一个不同大小的网格。例如，在 YOLOv5 的最后一层输出中，可能会生成三个不同尺度的特征图，分别对应 13×13、26×26 和 52×52 的网格大小。 需要注意的是，输出特征图的尺寸将影响目标检测的精度和速度。较大的特征图可能会提供更准确的目标位置信息，但会增加计算量和内存消耗。因此，在实际应用中，需要根据具体任务的要求和硬件资源的限制来选择适当的输出特征图尺寸。
评论 2
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

同志啊为人民服务！

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