| 卷积、池化后的图像大小计算（附例子） | 您所在的位置：网站首页 › 卷积后大小计算 › 卷积、池化后的图像大小计算（附例子） |
卷积、池化后的图像大小计算（附例子）
|
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 / S import tensorflow as tf input_image = tf.layers.Input(shape=[32, 32, 3], dtype=tf.float32) conv0 = tf.layers.conv2d(input_image, 64, kernel_size=[3, 3], strides=[2, 2], padding='same') # 32/2=16 conv1 = tf.layers.conv2d(input_image, 64, kernel_size=[5, 5], strides=[2, 2], padding='same') # kernel_szie不影响输出尺寸 print(conv0) # shape=(?, 16, 16, 64) print(conv1) # shape=(?, 16, 16, 64)如果 Padding='VALID'，输出尺寸为：(W - F + 1) / S import tensorflow as tf input_image = tf.layers.Input(shape=[32, 32, 3], dtype=tf.float32) conv0 = tf.layers.conv2d(input_image, 64, kernel_size=[3, 3], strides=[2, 2], padding='valid') # (32-3+1)/2=15 conv1 = tf.layers.conv2d(input_image, 64, kernel_size=[5, 5], strides=[2, 2], padding='valid') # (32-5+1)/2=14 print(conv0) # shape=shape=(?, 15, 15, 64) print(conv1) # shape=(?, 14, 14, 64) |
【本文地址】
公司简介
联系我们