计算卷积后尺寸

最新推荐文章于 2025-06-13 11:03:06 发布

萱子子子

最新推荐文章于 2025-06-13 11:03:06 发布

阅读量1.9w

点赞数 7

CC 4.0 BY-SA版权

分类专栏：神经网络卷积神经网络

本文链接：https://blog.youkuaiyun.com/xuan_zizizi/article/details/78589022

本文详细介绍了卷积后尺寸的计算公式，包括TensorFlow中`same`和`valid`两种填充方式的维度计算。还提到了`tf.pad()`函数的使用，以及`max_pool()`中`padding`的含义。内容涵盖卷积核大小、步长对输出尺寸的影响，以及不同填充方式的计算原则。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里单独把计算卷积之后的维度的公式拿出来，方便查看
1.卷积后尺寸计算
out_height=(in_height+2pad-filter_height)/strides[1]+1
out_width=(in_width+2pad-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_height))/float(strides[1])
out_width=ceil(float(in_width))/float(strides[2])
(2)valid
out_height=ceil(float(in_height-filter_height+1))/float(strides[1])
out_width=ceil(float(in_width-filter_width+1))/float(strides[2])
(3)参数
padding: SAME和VALID两种形式
filter: [5,5,1,32]表示5*5的卷积核，1个channel，32个卷积核。
strides: [1,4,4,1]表示横向和竖向的步长都为4
3.tensorflow里面的tf.pad函数
虽然在卷积过程中有same选项可选，但是tensorflow里面还有一个可以用于填充的函数tf.pad()，具体用法如下：

tf.pad(tensor, paddings,mode='CONSTANT',name=None)

padings : 是一个张量，代表每一维填充多少行/列
mode : “CONSTANT” ,”REFLECT”,”SYMMETRIC”
“CONSTANT” 填充

最低0.47元/天解锁文章

200万优质内容无限畅学

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

萱子子子

关注关注

7
点赞
踩
19

收藏

觉得还不错? 一键收藏
4
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

卷积后图片尺寸

qq_42301955的博客

05-29

1428

卷积相关概念

卷积池化尺寸计算公式

06-06

2134

卷积CNN是我们最常使用的，但是有时候需要观察他的输出前后的差异，这里描述下计算方式，具体如下：图片大小：WxHxD W:宽 H:高 D:通道（RGB）例:320x320x3卷积核：NxNx3 卷积核大小后面的3是和图片的通道对应，如果图片是灰度的那么就是1卷积核个数：C步长：S 每次一卷积的时候跨越的步长填充：P 外网填充多少行和列，一般是图片保留特征或者是维持图片大小公式计算：输出数据的高度：OH = (H - N + 2P) / S + 1。

4 条评论您还未登录，请先登录后发表或查看评论

卷积后尺寸计算公式

legalhighhigh的博客

08-28

4221

在计算卷积后的参数及map大小时经常要用。 1.卷积后尺寸计算 out_height=(in_height+2pad-filter_height)/strides[1]+1 out_width=(in_width+2pad-filter_width)/strides[2] +1

两个矩阵的卷积运算

热门推荐

Mr_WHITE2的博客

01-07

4万+

计算公式定义定义几个参数输入图片大小 W×W 卷积核大小 F×F 步长 S padding的像素数 P 于是我们可以得出计算公式为： N = (W − F + 2P )/S+1 输出图片大小为 N×N 以resnet50为例，输入为[1,3,224,224]，其中1为batchsize，3为通道数，224为height和width。经过第一层卷积后，其大小为[1,64,112,112] in_channels= 3//输入通道 out_channels= 64 //输出通道 nn.Conv2d(in_

常见卷积尺寸计算

qq_36302310的博客

04-15

1万+

在搭配深度学习多个卷积层时我们经常要计算卷积层的输出张量的尺寸大小，可以用如下公式计算： 1, 公式卷积层输出尺寸： o = ?(i + 2p - k) / s? + 1 式中，i:输入尺寸；o:输出尺寸；p:padding；k: kernel_size；s: stride。?…?表示向下取整。 2, 推导过程这个公式不用死记，下面我用非常便于理解的方法描述这个推导。卷积就是对相邻的一片数据进行加权求和得到一个数的一种“合并”操作，将此操作对输入张量进行滑动扫描以得到输出张量。循着这个过程，我们很容易推

卷积神经网络卷积后尺寸大小计算

weixin_43715601的博客

10-06

3456

神经网络卷积后尺寸计算1、无填充1.1 公式1.2 示例2、有填充2.1 公式2.2 示例 1、无填充 1.1 公式 H′=(H−K[0])S[0]+1W’=(W−K[1])S[1]+1\begin{aligned}\\ H' &= \frac{(H-K[0])}{S[0]} + 1 \\ \\ W’ &=\frac{(W-K[1])}{S[1]} + 1 \end{aligned}H′W’=S[0](H−K[0])+1=S[1](W−K[1])+1 其中,KKK表示卷积核尺寸(ke

卷积核尺寸计算

tianliangjay的专栏

05-18

289

https://github.com/madebyollin/convnet-calculatorConvNet Shape Calculator https://github.com/zimonitrome/convolution-shape-calculatorhttps://zimonitrome.github.io/convolution-shape-calculator/

卷积运算和运算后特征图大小计算2

12-21

本篇文章将深入探讨卷积运算时特征图大小的计算，特别关注两种不同的填充方式——padding="same"和padding="valid"，以及池化操作后特征图的大小变化。 1. **卷积运算** - **padding="valid"**：在这种情况下，不...

CNN 卷积层输出尺寸计算（长、宽）

集电极

08-29

4580

公式：卷积后，池化后尺寸计算公式： (图像尺寸-卷积核尺寸 + 2*填充值)/步长+1 (图像尺寸-池化窗尺寸 + 2*填充值)/步长+1 假设输入图片大小是（H，W），滤波器（卷积核）大小（FH，FW）,一般FH == FW, 填充为 P 步幅为S 输出尺寸大小（OH，OW）则 OH = (H + 2P - FH) / S +1 OW = (W + 2P - FW) / S + 1 pytorch 卷积函数 torch.nn.Con2d(in_channels=3, out_channel

卷积层输出大小尺寸计算

aaaaPIKACHU的博客

01-07

5005

padding的两种方式 “SAME” 和 “VALID”，padding = “SAME”时，会在图像的周围填 “0”，padding = “VALID”则不需要，即 P=0。padding = “SAME”： kernel_size=1时，P=0；kernel_size=3时，P=1；kernel_size=5时，P=2，以此类推。一般会选“SAME”，以来减缓图像变小的速度，二来防止边界信息丢失（即有些图像边界的信息发挥作用较少）。长宽不等时，卷积之后的计算公式也是如此，只需分别计算即可。

卷积层与池化层输出的尺寸的计算公式详解

S0ybean的博客

10-08

5418

公式计算卷积（池化）输入输出个数

神经网络模型的特征图尺寸使用公式计算不为整数的情况：卷积操作向下取整；池化操作则向上取整。

qq_43449643的博客

03-28

941

卷积和池化层的特征图尺寸计算公式几特殊情况处理

CNN-卷积层操作后矩阵尺寸大小计算

weixin_40345790的博客

09-30

4110

如下图所示，原图像是红框内4*4的矩阵，下面讲解下经卷积后的矩阵尺寸大小计算方法按图中的4步依次进行计算输入图片大小W*W为4*4,故W=4 filter大小F*F为3*3，故F=3 这里我们设置步长为2 padding的像素数P=1,即外围增加的0层由于这里只扩了右和下边，那么下面的公式N=(W-F+2P)/S+1就得改成N=(W-F+P)/S+1 根据公式N=(W-F+P)/S+1=(4-3+1)/2+1=2，故最后得到的特征矩阵大小为2*2 参考文献：...

卷积输出计算

hzh839900的专栏

09-08

586

当步长=1 时候公式变为Math.floor((输入W-卷积核W+填充W+1)/1)= (输入W-卷积核W+填充W+1)卷积后大小 = Math.floor((输入W-卷积核W+填充W+步长W)/步长W)

卷积、池化、反卷积、空洞卷积的输入输出大小计算公式

我是天才很好

03-19

2618

卷积对于卷积经过某层后的特征图大小计算方式： h2 = （h1-k+2p）/s + 1 w2 = （w1-k+2p）/s + 1 总结：卷积输出大小=[（输入大小-卷积核大小+2*Padding）／步长]+1 所以当stride为1时,当卷积核的大小比padding的两倍大1时，可以不改变特征图的尺寸，只改变通道数。池化对于池化： H=(H-K)/S+1 W=(W-K)/S+1 总结：池化输出大小=[（输入大小-卷积核大小）／步长]+1 反卷积反卷积输出大小 (input_size-1)×strid

tensorflow卷积之后的尺寸计算公式

weixin_42713739的博客

11-13

1133

卷积后尺寸计算 1、输入矩阵 W×W，这里只考虑输入宽高相等的情况，如果不相等，推导方法一样，不多解释。 2、filter矩阵 F×F，卷积核 3、stride值 S，步长。 4、输出宽高为 new_height、new_width 当然还有其他的一些具体的参数，这里就不再说明了。我们知道，padding的方式在tensorflow里分两种，一种是VALID，一种是SAME，下面分别介绍这两种方...

卷积、空洞卷积、反卷积与空洞反卷积的计算公式(全)

爱在深秋

11-08

7467

经常使用的卷积有卷积、空洞卷积、反卷积与空洞反卷积的，下面总结了他们的计算公式。

24/11/3 算法笔记空洞卷积

yyyy2711的博客

11-03

770

什么是空洞卷积上图展示了空洞卷积，其卷积核大小为3×3，步长s=1，r=2。你或许会问了，这个r是什么呢，其实啊，这个r正是普通卷积和空洞卷积的差别所在，我们称之为膨胀因子。当r=1时，表示卷积核各元素之前没有空隙，即相邻两个元素间位置相差1，此时其实就是我们正常的卷积，所以广义上说，普通的卷积是一种特殊的空洞卷积；当r=2时，表示卷积核各元素之前有一个空隙，即相邻两个元素间位置相差2，此时就是我们上图中的卷积核。定义空洞卷积是一种卷积操作，其中卷积核中间带有一些洞，跳过一些元素进行卷积。

如何计算卷积后的尺寸

07-28

回答: 计算卷积后的尺寸可以使用公式 o = ?(i + 2p - k) / s? + 1，其中i表示输入尺寸，o表示输出尺寸，p表示padding，k表示kernel_size，s表示stride。这个公式可以帮助我们计算出卷积操作后的输出尺寸。\[2\]另外，如果要使用膨胀卷积，可以使用公式 k’ = d × (k-1) + 1 来计算膨胀后的等效卷积核尺寸，然后将k'代入上述公式中，就可以计算出膨胀卷积后的输出尺寸。\[1\] #### 引用[.reference_title] - *1* *2* *3* [常见卷积尺寸计算](https://blog.youkuaiyun.com/qq_36302310/article/details/124190891)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]