图示理解卷积运算、逆卷积运算、Tensorflow、tf.nn.conv2d_transpose、Conv2DSlowBackpropInput: Size of out_backprop doesn

本文详细介绍了卷积运算的多种情况,包括不同步长、填充方式对输出图像大小的影响。同时,探讨了逆卷积过程,展示了如何通过改变参数实现全填充和半填充模式。特别地,文章讨论了Tensorflow中的tf.nn.conv2d_transpose函数在卷积和逆卷积中的应用,并通过实例解释了输出大小计算及其可能引发的错误。
摘要由CSDN通过智能技术生成

卷积运算

这里以二维卷积为例讨论:
正方形输入( i1=i2=i )
正方形卷积核大小( k1=k2=k
相同的步长( s1=s2=s
相同的零填充( p1=p2=p

第一种情况: s=1,p=0,i=4,k=3
这里写图片描述

从输入图像的最右边开始,一个步长一个步长直到抵达图像的另外一边
输入图像的大小为:

o=(ik)+1

第二种情况: s=1,p=2,i=5,k=3
这里写图片描述
输入图像的大小为:

o=(ik+2p)+1

第三种情况: 比较特殊,名为Half padding(SAME模式)
即是输出图像大小与输入图像大小相同, 假设 i=5,s=1,k=2n+1
满足 p=[k/2] 有:

o=i+2[k/2](k1)=i+2n2n=i

这里写图片描述

第四种情况: Full padding,即输出比原始图像还大的图像,
满足 p=k1,s=1 情况:

o=i+2(k1)(k1)=i+k1

这里写图片描述

第五种情况: s1,p=0
s=2,p=0,i=5,k=3

这里写图片描述

这种情况下输出图像大小为:

o=[iks]+1

注意的是:求 下限函数解释了最后一步并不和卷积层抵达输入另外一侧相一致。也就是会遗漏一些输入像素

第六种情况: s1,p0
输出图像大小为:

o=[ik+2ps]+1

s=2,
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值