卷积核和padding的计算关系

原博:https://blog.csdn.net/qq_41670192/article/details/79231732

通过卷积层与池化层后,特征图的大小怎么计算

这里引入cs231n中的课件说明一下:

卷积层:

 参数:W:宽  H:高 D:深度 K:卷积核的个数 F:卷积核的大小 S:步长 P:用0填充

W/H=[(输入大小-卷积核大小+2*P)/步长]  +1.   

举个例子

 

上图中的 output =[(7-3)+2*1]/1 +1 =7

图中也提到了padding 的选择,

  1. 如卷积核为3时 padding 选择1
  2. 如卷积核为5时 padding 选择2
  3. 如卷积核为7时 padding 选择3      

 

 

池化层

池化层的计算与卷积层一样

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
转置卷积的输出尺寸计算可以通过以下公式来确定:输出尺寸 = (输入尺寸 - 1) * 步长 + 感受野大小 - 2 * padding 其中,输入尺寸是指原始输入的大小,步长是指卷积核在输入上滑动的步幅,感受野大小是指卷积核的大小,padding是指在输入周围填充的像素数。这个公式可以帮助我们计算转置卷积的输出尺寸。引用提供了关于转置卷积输入输出参数的推导过程,可以更详细地了解转置卷积计算公式和参数间的关系。引用中举了一个例子,通过已知的空洞卷积公式,可以计算出转置卷积的输出尺寸。而引用则解释了转置卷积的作用和与普通卷积的联系。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [转置卷积理论解释(输入输出大小分析)](https://blog.csdn.net/Dr_maker/article/details/125630089)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* [卷积输出尺寸和转置卷积输出尺寸的计算方式](https://blog.csdn.net/qq_34914551/article/details/89361957)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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