卷积网络(conv)中步长、填充、卷积核大小与输入输出大小的关系 | 您所在的位置:网站首页 › 卷积神经网络和卷积公式有关系吗 › 卷积网络(conv)中步长、填充、卷积核大小与输入输出大小的关系 |
目录 1、stride =1 1)没有padding :o = (i - k) + 1 2)有padding 半填充:输入输出一样大 o = i(卷积核是基数) 全填充 :o = i + (k - 1) 2、stride ≠1: o = [( i + 2p -k) / s] + 1 1)没有padding 2)有padding 3、统一的公式:o = [( i + 2p - k) / s] + 1 在设计深度学习网络的时候,需要计算输入尺寸和输出尺寸,那么就要设计卷积层的的各种参数。这里有一些设计时候的计算公式,方便得到各层的参数。 具体可以参考这篇文章:A guide to convolution arithmetic for deep learning 这里简化下,约定: 先按照步长来区分,然后按照padding区分 1、stride =1 1)没有padding :o = (i - k) + 1统一公式 也就是说,padding的大小是kernel的“小”一半,5*5的核半填充padding就是5/2 = 2.5 = 2(向下取整),让原图像边缘当填充后卷积图像的中心 这里要注意的是2p实际是不等于k的,实际是2p = 2n ≠ 2n+1,所以,上式不等于i+1 全填充 :o = i + (k - 1)也就是说,padding的大小是kernel-1 |
CopyRight 2018-2019 实验室设备网 版权所有 |