卷积的三种模式：full, same, valid

已于 2022-08-23 14:56:25 修改
阅读量3.8k 收藏 55
点赞数 7
分类专栏： CNN 文章标签： 深度学习 神经网络 机器学习
于 2022-07-19 10:20:55 首次发布
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。
本文链接：https://blog.csdn.net/MCU_master/article/details/125865956
版权

文章目录

前言

卷积神经网络是模式识别分类常用的网络结构之一，在大规模的图像识别等方面有着很大的优势。

一、full卷积

  • full卷积式典型的上采样卷积，其特点式卷积核可以超出特征图的范围，但是卷积核的边缘要与特征图的边缘有交点。这种卷积将如图的2×2的特征图，在经过尺寸为3×3、步长为1的卷积核卷积后，变成了4×4的特征图。其输出特征维度的计算满足式(1)。 在这里插入图片描述
    其中， Skernel 代表卷积核的步长， Dkernel 代表卷积核的维度， Padding 代表扩充值的维度。
    在这里插入图片描述

二、same卷积

  • same卷积是介于full卷积和valid卷积之间的一种卷积方式，其特点是卷积前后特征图的尺寸不变。由于same卷积的特点，其Padding值是固定设置的，计算式可通过式(1)推导出来。

在这里插入图片描述

三、valid卷积

  • valid卷积是最常用的下采样卷积，其特点是卷积核不能超出特征图的范围。如图，在卷积核为3×3且步长为1，且不会在周边增加扩充值的情况下，一个5×5的特征图经过卷积后，变成了3×3的尺寸大小。
  • 输出的特征图维度计算式为：式（1）
    在这里插入图片描述

四、总结

在这里插入图片描述

陌上小布
关注
  • 7
    点赞
  • 踩
  • 55
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pytorch之卷积网络
01-20
Pytorch之卷积网络 卷积操作 互操作 原理图 ​ 　　虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使⽤更加直观的互相关（crosscorrelation）运算。计算如下： 代码原理 def corr2d(X, K): 计算卷积操作(互操作) h, w = K.shape # 得到卷积后 Y = t.zeros((X.shape[0]-h+1, X.shape[1]-w+1)) for i in range(Y.shape[0]): for j in range(Y.shape[1]):
Python使用scipy模块实现一维卷积运算示例
09-18
在实际应用中，`scipy.signal.convolve`函数有两个模式：`'full'`（默认）、`'same'`和`'valid'`。这些模式决定了输出数组的长度以及卷积区域的覆盖范围。 - `'full'`模式：返回完整的卷积，输出长度是输入数组长度...
由卷积三种模式：full，same，valid到边缘信息处理的思考
Mr_SHOA的博客
11-11 1910
由卷积三种模式：full，same，valid到边缘信息处理的思考 在Matlab中，进行卷积操作运算时会有三种模式（subsection），分别是：full，same，valid可供选择 例如（一维卷积操作时）： u = [-1 2 3 -2 0 1 2]; v = [2 4 -1 1]; w = conv(u,v,'same') 又或是（二维卷积操作时）： A = rand(3); B = rand(4); Csame = conv2(A,B,'same') 一、三种模式的直观理解 matlab上对
各种一维卷积（Full卷积、Same卷积、Valid卷积、带深度的一维卷积）
u013602059的专栏
03-18 7067
一维卷积通常有三种类型：full卷积、same卷积和valid卷积，下面以一个长度为5的一维张量I和长度为3的一维张量K（卷积核）为例，介绍这三种卷积的计算过程。 一维Full卷积 Full卷积的计算过程是：K沿着I顺序移动，每移动到一个固定位置，对应位置的值相乘再求和，计算过程如下： 将得到的值依次存入一维张量CfullC_{full}Cfull​，该张量就是I和卷积核K的full卷积结果，...
卷积神经网络中的 Full、Same 和 Valid 卷积
学IT，找陈寒
09-15 1913
卷积神经网络是一种受到生物视觉系统启发的神经网络，特别适用于处理具有网格结构的数据，如图像。CNN的核心思想是通过卷积操作从输入数据中提取特征，然后将这些特征传递给全连接层进行分类或回归等任务。卷积操作包括卷积核（或滤波器）的滑动以及卷积核与输入数据的点积运算。在这个过程中，卷积核在输入数据上滑动，不同的滑动方式会导致 Full、Same 和 Valid 三种卷积模式。
CNN：full卷积，same卷积，valid卷积
qq_42018521的博客
10-16 2343
原图经过full卷积图像会变大，经过same卷积尺寸不变，valid卷积尺寸会缩小。应用场景不通，具体看下文：
Same卷积
seasonsyy的博客
09-12 298
简要介绍"Same卷积"：图像尺寸不发生改变，而提取的特征却在增多
深度学习：全卷积网络（FCN）
人邮异步社区
08-04 2745
全卷积网络（fully convolutional network，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换[36]。与之前介绍的卷积神经网络有所不同，全卷积网络通过转置卷积（transposed convolution）层将中间层特征图的高和宽变换回输入图像的尺寸，从而令预测结果与输入图像在空间维（高和宽）上一一对应：给定空间维上的位置，通道维的输出即该位置对应像素的类别预测。 我们先导入实验所需的包或模块，然后解释什么是转置卷积层。 In [1]: %matplotlib inli
找质数代码matlab-C-FFTConvolution:C-FFT卷积
05-27
脚本提供了一些示例，用于计算2D实信号的各种卷积积（Full，Valid，Same，Circular）。 还有一些脚本用于测试实现（针对八度和Matlab），而其他脚本则用于对卷积进行基准测试。 比较的不同实现是 嵌套循环 八度转换...
通过重叠和保存的 1D 卷积 - 优化：线性 1D 卷积的重叠和保存方法的高度优化实现。 该函数优化了最佳 DFT 窗口。-matlab开发
05-29
该函数通过重叠和保存方法实现线性卷积。 它是完全优化的，主循环不会... 该函数有 3 种输出模式 - Full、Same 和 Valid 以匹配 MATLAB 的 conv() 函数。 该软件包还包含频域中的实现以及与其他 2 种方法的性能比较。
基于HLS的高效深度卷积神经网络FPGA实现方法1
08-03
主要有三种填充方式：“FULL”、“VALID”和“SAME”。在“FULL”方式中，卷积核从边界开始就进行卷积，需要填充K-1维的0值；“SAME”方式确保步进为1时，输入和输出尺寸相同，填充方式使得卷积核在边界处均匀覆盖；...
微透镜阵列光学实现卷积运算.docx
12-15
在二维离散卷积原理部分，文章解释了卷积的三种类型：same、valid和full卷积，涉及边缘填充和核在图像上的滑动过程。卷积运算实质上是矩阵乘法的一种形式，其中输入图像和卷积核通过特定方式组合，产生输出结果。 ...
卷积same和valid学习
思维缜密的博客
08-24 313
ininin为输入 dilationdilationdilation为空洞 kernelkernelkernel为卷积核 stridestridestride为步长 outoutout为输出 卷积形状 padding为数字 out[0]=⌊in[0]+2×padding[0]−dilation[0]×(kernel[0]−1)−1stride[0]+1⌋out[0]= \lfloor \frac{in[0]+2\times padding[0]-dilation[0]\times \left ( kerne
图像处理之卷积模式及C++实现
程序员深度学习
10-28 1737
1. 卷积的三种模式 深度学习框架中通常会实现三种不同的卷积模式，分别是 SAME、VALID、FULL。这三种模式的核心区别在于卷积核进行卷积操作的移动区域不同，进而导致输出的尺寸不同。我们以一个例子来看这三种模式的区别，输入图片的尺寸是5x5 ，卷积核尺寸是 3x3 ，stride 取 1。 1.1 FULL 模式 FULL 模式下卷积核从与输入有一个点的相交的地方就开始卷积。如下图所示，蓝框的位置就是卷积核第一个卷积的地方，灰色部分是为了卷积能够正常进行的 padding（一般填 0）。因此 FUL.
【Tensorflow】卷积中same和vaild的区别
littlemichelle
02-21 1790
same和vaild的区别？ same是做填充，valid是舍去。 用tensorflow/keras写一个
深度学习技巧：（1）“SAME”和“VALID”对应的卷积层输出大小
面壁者
10-04 2399
https://blog.csdn.net/wuzqChom/article/details/74785643 TensorFlow中CNN的两种padding方式“SAME”和“VALID”，对应的卷积层输出大小计算方法
valid 与 same的卷积方式
u012869364的博客
12-18 1814
http://www.jianshu.com/p/05c4f1621c7e 这个简书的作者已经写得很清楚了
卷积的三种形式: valid，same，full
qq_36783848的博客
08-04 3741
A：image; K：filter 设 A（image）的大小是7x7，K（filter）的大小是：3x3 1.valid Matlab代码实现：convn(A, K, ‘valid’) 2、same Matlab代码实现：convn(A, K, ‘same’) 3、full Matlab代码实现：convn(A, K, ‘full’)...
rnn定义(rnn批次,核心思想理解)循环神经网络(递归)
最新发布
爱学习_萌萌哒
06-17 465
当batch_first设置为False时，输入张量的形状应该是(sequence_length, batch_size, input_size)。当你创建一个nn.RNN的实例时，你实际上并没有执行前向传播，只是定义了前向传播的计算图。当你使用rnn(input, h0)这样的形式调用nn.RNN实例的forward方法时，你才真正执行了前向传播。因此，当你看到代码中出现rnn = nn.RNN(5, 6, 1)时，这行代码只是创建了一个nn.RNN的实例，并没有执行前向传播。所以true后要调整参数。
卷积模式full.same.valid的解释
05-19
卷积是一种常用的神经网络操作，它可以用来提取图像、语音、文本等数据中的特征。在卷积操作中，需要设置卷积核的大小和卷积核的移动步长，同时也需要选择合适的卷积模式。其中最常见的三种卷积模式分别是full、same和valid。 1. full模式：full模式是指将卷积核在输入数据的每一个位置上都进行一次完整的卷积计算，即对于每一个输出位置，都需要考虑输入数据中所有能够和卷积核重叠的位置。在full模式下，输出数据的大小会比输入数据的大小大出k-1个元素，其中k为卷积核的大小。 2. same模式：same模式是指保持输出数据和输入数据的大小相同。在same模式下，需要在输入数据的边缘填充一定数量的0元素，以保证卷积核在输入数据的每一个位置上都有足够的空间进行计算。具体而言，如果卷积核的大小为k，那么在same模式下需要填充(k-1)/2个0元素。 3. valid模式：valid模式是指只对输入数据和卷积核可以完全重叠的位置进行计算，即只计算卷积核在输入数据中能够滑动的位置。在valid模式下，输出数据的大小会比输入数据的大小小出k-1个元素，其中k为卷积核的大小。 需要注意的是，不同的卷积模式会对输出数据的大小产生不同的影响，因此在使用卷积操作时需要根据具体的应用场景选择合适的卷积模式。

“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

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