填充与步幅

最新推荐文章于 2024-06-22 16:12:05 发布

weixin_33757911

最新推荐文章于 2024-06-22 16:12:05 发布

阅读量76

点赞数

CC 4.0 BY-SA版权

文章标签：人工智能

原文链接：http://www.cnblogs.com/TreeDream/p/10038161.html

本文通过实例演示了卷积神经网络中Padding与Stride的使用，展示了不同配置下卷积层输出尺寸的变化，加深了对卷积操作中边界处理和步长选择的理解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

padding & stride

from mxnet import autograd,nd
from mxnet import gluon,init
from mxnet.gluon import nn,loss as gloss
from mxnet.gluon import data as gdata

def comp_conv2d(conv2d,X):
    conv2d.initialize()
    # (样本，通道，高，宽)
    X = X.reshape((1,1)+X.shape)
    #print(X.shape)
    Y = conv2d(X)
    return Y

conv2d = nn.Conv2D(1,kernel_size=(3,3),padding=1)
X = nd.random.uniform(shape=(8,8))
#print(X)
#print(comp_conv2d(conv2d,X).shape)

conv2d = nn.Conv2D(1,kernel_size=(5,3),padding=(2,1))
#print(comp_conv2d(conv2d,X).shape)

conv2d = nn.Conv2D(1,kernel_size=3,padding=1,strides=2)
print(comp_conv2d(conv2d,X).shape)

conv2d = nn.Conv2D(1,kernel_size=(3,5),padding=(0,1),strides=(3,4))
print(comp_conv2d(conv2d,X).shape)