卷积之后尺寸变化

最新推荐文章于 2023-09-25 16:48:52 发布

转载最新推荐文章于 2023-09-25 16:48:52 发布 · 2.8k 阅读

2 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/lzida9223/p/10551808.html

文章标签：

#人工智能

博客介绍了卷积尺度变化，包括输入矩阵、卷积后矩阵、权重矩阵和偏置的格式，给出了卷积后图像高度和宽度的计算公式。还提及深度学习框架中CNN的两种padding方式，即'SAME'和'VALID'，并给出了对应输出尺寸的计算方法及参考链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

卷积尺度变化

输入矩阵格式: 样本数目，图像高度，图像宽度，图像通道数
卷积之后矩阵格式: 样本数目，图像高度，图像宽度，图像通道数（后三个维度在卷积之后会发生变化）
权重矩阵（卷积核的格式:卷积核高度，卷积核宽度，输入通道数，输出通道数（以RGB为例，每个通道对应自己的一个权重矩阵），输出通道数（卷积核的个数）
偏置: 输出通道数（一个卷积核对应一个偏置）
H_out = (H_in-H_k+2padding)/stride + 1
W_out = (W_in-W_k+2padding)/stride + 1

CNN中卷积层的计算细节 - Michael Yuan的文章 - 知乎
https://zhuanlan.zhihu.com/p/29119239

在深度学习框架中，如果我们选择padding = 'SAME'，输出的尺寸为W/S \lceil W/S \rceil

如果我们选择为padding = 'Valid',输出尺寸: \lceil (W-F+1)/S \rceil (向上取整)
参考-TensorFlow中CNN的两种padding方式“SAME”和“VALID”

转载于:https://www.cnblogs.com/lzida9223/p/10551808.html