1. 程式人生 > >卷積之後尺寸變化

卷積之後尺寸變化

stride .com csdn 框架 發生 tails net tps pad

卷積尺度變化

輸入矩陣格式: 樣本數目,圖像高度,圖像寬度,圖像通道數
卷積之後矩陣格式: 樣本數目,圖像高度,圖像寬度,圖像通道數 (後三個維度在卷積之後會發生變化)
權重矩陣(卷積核的格式:卷積核高度,卷積核寬度,輸入通道數,輸出通道數(以RGB為例,每個通道對應自己的一個權重矩陣),輸出通道數(卷積核的個數)
偏置: 輸出通道數(一個卷積核對應一個偏置)
H_out = (H_in-H_k+2padding)/stride + 1
W_out = (W_in-W_k+2
padding)/stride + 1

CNN中卷積層的計算細節 - Michael Yuan的文章 - 知乎
https://zhuanlan.zhihu.com/p/29119239

在深度學習框架中,如果我們選擇padding = ‘SAME‘,輸出的尺寸為W/S \lceil W/S \rceil

如果我們選擇為padding = ‘Valid‘,輸出尺寸: \lceil (W-F+1)/S \rceil (向上取整)
參考-TensorFlow中CNN的兩種padding方式“SAME”和“VALID”

卷積之後尺寸變化