卷积网络 步长&填充 大小 与输入输出大小的关系

最新推荐文章于 2024-11-17 23:26:10 发布
原创 最新推荐文章于 2024-11-17 23:26:10 发布 · 6k 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #设计 #卷积神经网络 #步长 #填充

本文提供了一系列关于深度学习中卷积层参数计算的公式，包括不同填充方式和步长设置下的输入输出尺寸计算方法。适合希望理解并设计卷积神经网络结构的读者。

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。

这里简化下，约定：

没有填充，单位步长

零填充，单位步长

  1. 半填充

  1. 全填充

参考图如下图所示;

不填充，非单位步长

零填充，非单位步长

示意图如下：

 

参考：

[1603.07285] A guide to convolution arithmetic for deep learning

卷积网络 步长&填充 大小 与输入输出大小的关系
a1809032425的博客
07-22 2万+
卷积网络 步长&填充 大小 与输入输出大小的关系 参考网址： 1、https://blog.csdn.net/meadl/article/details/68927227 2、https://blog.csdn.net/u011692048/article/details/77572024 卷积层的维度计算 假设卷积层的输入大小x*x为5*5，卷...
【神经网络结构的组成】CNN的卷积核通道数、卷积输出的通道数、步长与填充之间的关系（附多通道卷积）
最新发布
十二月的猫
02-19 2580
本文介绍了卷积神经网络（CNN）中卷积核通道数、卷积输出通道数、步长与填充之间的关系，重点讨论了多通道卷积的应用与原理。首先，卷积核的通道数决定了每个卷积核与输入图像每个通道的卷积计算方式；而卷积输出的通道数则由卷积核的数量决定，每个卷积核生成一个输出通道。步长控制卷积操作的滑动速度，从而影响输出的空间尺寸，步长越大，输出尺寸越小。填充用于在输入图像边界添加额外像素，帮助保持输出尺寸不变。文章还介绍了如何通过调整这些参数来优化卷积层的表现，并展示了多通道卷积在处理彩色图像和多维数据时的重要性。
深度学习-卷积与反卷积和输入和输出尺寸关系
Alivon的博客
11-24 1045
卷积 N（out） = (N(in) − k + 2p )/s+1 输入图片大小 N:W×W s：stride k：kernel_size 也叫 filterf p：padding 反卷积 N（out） = （N（in）-1）× s +k -2p s：stride k：kernel_size 也叫 filterf p：padding ...
《动手学深度学习》之卷积神经网络 填充和步幅
乾巽的博客
02-05 374
参考填充和步幅
6.2 卷积神经网络 填充 & 步幅
dc12499574的博客
04-18 272
文章目录一、填充作用演示二、步幅作用演示 一、填充 作用 不填充的情况下通道尺寸会随着计算向前推进不断减少(核尺寸>1) 填充能够增减或维持输出通道的尺寸 演示 二、步幅 作用 降低计算复杂度，调整输出通道尺寸 步幅越大，计算复杂度越低，输出通道尺寸越小 演示 ...
填充与步幅(CNN卷积神经网络)
西小庄村高伟 的博客
10-05 2810
填充(Padding)与步幅(Stride)的基本概念与相关运算
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
lyx_323的博客
04-06 2万+
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...
图像卷积、步长、填充、特征图、多通道卷积、权重共享、感受野、池化
小嘤熊的博客
06-30 1364
用一个相同的卷积核对整幅图像进行进行卷积操作，相当于对图像做一次全图滤波，符合卷积核特征的部分得到的结果比较大，不符合卷积核特征的部分得到的结果比较小，因此卷积操作后的结果可以较好地表征该区域符合卷积核所描述的特征的程度。上图中，Conv2中的像素点为5，是由Conv1的2×2的区域得来的，而该2×2区域是由原始图像的5×5区域计算而来，因此该像素的感受野是5×5。上图展示的是单个图像的卷积，而一个卷积神经网络，其每一层都是由多个图组成的，将其成为特征图或者特征平面，如下图所示。
转置卷积理论解释（输入输出大小分析）
罟霖同学的站点
07-05 1814
转置卷积的理论解释和输入输出大小的分析推导。
卷积层中的填充操作
搏博的专栏
11-17 3820
具体来说，对于图像的上边界和下边界，填充的像素值会分别复制原始图像的第一行和最后一行的像素值（或其镜像，取决于具体的实现方式）。对于图像的左边界和右边界，填充的像素值会分别复制原始图像的第一列和最后一列的像素值（同样地，或其镜像）。综上所述，卷积中的填充是一种重要的技术，用于控制输出特征图的空间维度、保留边缘信息以及减少卷积操作对图像边缘的敏感性。在卷积操作中，填充（Padding）是一种重要的技术，用于控制输出特征图的空间维度，并保留输入特征图的边缘信息。：填充的像素是原始图像边缘像素的镜像。
卷积神经网络3-卷积步长
qq_37031892的博客
10-18 2676
什么是卷积步长？ 步长（stride）顾名思义，就是说过滤器一次移动多少格子。 加入了步长的概念，我们就要对之前的公式进行一些改动，结果矩阵的大小为[（n+2p-f）/ s +1 ]x[（n+2p-f）/ s +1 ]。 那么，如果遇到除不尽的情况怎么办呢？我们应该进行向下取整操作。 ...
maxpooling 和步长为2的卷积
skyfengye的博客
09-07 4793
现阶段大家在分割网络或者其他网络中对于maxpooling 的使用越来越少了，大家都开始都使用步长为2的卷积了。这个问题一开始我也没有在意，我一开始在进行分割时还是使用了maxpooling的方法，然后在后面使用resnet50等作为新的backbone的时候，我才发现大家现在maxpooling 越来越少了。然后我调研了一下，发现也有人研究过这个问题了。然后我看到这篇文章 CNN真的需要下采样（上采样）吗?这里对这个问题进行了分析。 这篇文章最后的结论是这样：从工程的角度看，采样能极大减小fea.
卷积层里的填充和步幅
qq_58317297的博客
07-03 758
（1）输出大小与层数线性相关，加入了步幅能使之线性相关，步幅将模型输出成倍的减少，使得我的计算量不会过于复杂。（2）步幅可以减小输出的高和宽，例如输出的高和宽仅为输入的高和宽的1/𝑛（𝑛是一个大于1的整数）。# 这里的（1，1）表示批量大小和通道数都是1，将X.shape追加到(1, 1)后面。2、对于卷积，我们另一个超参数是核的大小，通常使用的卷积核是3×3或者5×5，很少用偶数核。（3）步幅是每次滑动核窗口时的行/列的步长，可以成倍的减少输出形状。（2）n是输入，k是卷积核，p是填充，s是步幅。
019、卷积层填充和步幅
here we are的博客
10-23 633
综合起来，填充和步幅是卷积神经网络中的两个重要超参数，它们可以调整输出特征图的尺寸、感受野以及网络的计算和内存需求。通过合理选择填充和步幅，可以更好地适应不同问题的需求，同时确保网络有效地提取特征。这些概念对于卷积神经网络的设计和训练非常关键。卷积神经网络（Convolutional Neural Network，CNN）中的填充（Padding）和步幅（Stride）是两个重要的概念，它们用于控制卷积层的输出大小和感受野。卷积核在有限空间的图像上会逐层减少输出元素大小。
tensorflow中卷积神经网络中 步长stride的定义
sunshinefcx的博客
01-01 5153
在tensorflow中，卷积神经网络的使用方法如下： tf.nn.conv2d(input, filter, striders, padding, use_cudnn_on_gpu=None, name=None) 其中，步长stride是一个一维的向量，长度为4。 形式是[a,x,y,z]，分别代表[batch滑动步长，水平滑动步长，垂直滑动步长，通道滑动步长]   在tensorf...
lenet 到 densenet 总结 一
nathan1025的博客
02-12 446
LeNet: 输入尺寸：32*32 卷积层：3个 降采样层：2个 全连接层：1个 输出层：10个类别（数字0-9的概率） AlexNet:   1. 非线性激活函数：ReLU 2. 防止过拟合的方法：Dropout，Data augmentation 3. 大数据训练：百万级ImageNet图像数据 4. 其他：GPU实现，LRN归一化层的使用 Vgg: V...
反卷积和卷积的输出和输入尺寸关系
CV_YOU的博客
10-20 8615
１．反卷积： 利用反卷积求输出尺寸的大小为N（out） = （N（in）-1）× s +k -2p s：stride k：kernel_size p：padding 2.卷积： N（out） = (N(in) − k + 2p )/s+1 输入图片大小 N:W×W s：stride k：kernel_size p：padding ...
【CNN】卷积层参数与输入输出大小计算说明
热门推荐
SY的博客
01-12 3万+
基本计算公式 W为输入大小，F为卷积核大小，P为填充大小(padding)，S为步长(stride)，N为输出大小。有如下计算公式：N=(W−F+2P)S+1N=\frac{(W-F+2P)}{S}+1N=S(W−F+2P)​+1 由上述公式很容易推得一些常用的卷积层参数——输入输出的大小不变，仅通道数量改变。 # 一个卷积核大小为5*5的卷积层参数 kernel_size = 5 stride ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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