卷积核输出边长计算公式以及一些不改变高宽的卷积核

雾岛听雪

已于 2023-12-25 17:55:57 修改

阅读量168

点赞数

文章标签：深度学习 cnn 人工智能

于 2023-09-12 12:14:28 首次发布

本文链接：https://blog.csdn.net/XZHBUT/article/details/132827941

版权

本文介绍了在卷积神经网络中，如何通过全零填充保持图像尺寸不变，以及如何计算填充后的边长，给出了一些卷积核大小、填充和步长的示例。

摘要由CSDN通过智能技术生成

$\text{输出边长} = \left\lceil \frac{\text{全零填充后的边长} - \text{核长} + 1}{\text{步长}} \right\rceil$
$\text{全零填充后的边长} = \text{原始边长} + 2 \times \text{填充宽度}$

一些不改变原始图像输入高度和宽度的卷积核、填充和步长的搭配示例

$\text{填充数量} = \frac{\text{卷积核大小} - 1}{2}$
步长为1满足以上公式即可
列：

卷积核	填充	步长
3x3	1	1
1x1	0	1
5x5	3	2
7x7	3	3

在这里插入图片描述

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

雾岛听雪

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

深度学习知识点全面总结

专注大数据与人工智能技术分享，欢迎私信加群互相学习！

01-05

25万+

本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........

卷积层与池化层输出的尺寸的计算公式详解

S0ybean的博客

10-08

4254

公式计算卷积（池化）输入输出个数

1 条评论您还未登录，请先登录后发表或查看评论

卷积网络中输出大小计算

zhao2018110980的博客

07-28

1487

参考链接: https://www.cnblogs.com/wmr95/articles/8134234.html 1. 经过卷积层后输出大小的计算公式： O=(I−K+2P)/S+1 O = (I-K+2P)/S +1 O=(I−K+2P)/S+1 其中, 输出大小为O×OO\times OO×O, 输入大小为I×II\times II×I, K表示卷积核大小(kernel_size), S表示步长(stride), P表示padding. 例: 卷积层的输入shape为[32, 3, 224, 224

卷积神经网络卷积核层输出计算公式

bublebee的博客

03-23

9595

卷积层计算公式 卷积层的矩阵输出大小为 n−f+2ps+1\frac{n-f+2p}{s} +1sn−f+2p+1，向下取整其中nnn为输入矩阵的大小，fff为卷积核的大小，ppp为padding的大小，sss为strides的大小池化层计算公式 池化层计算公式和卷积层的计算公式一样，只是大多数时候池化层不会进行填充，p=0p=0p=0, 所以公式为 n−fs+1\frac{n-f}{...

卷积核的计算公式

coder

10-29

2万+

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填充卷积后输出：W或H=[(输入大小-卷积核大小+2*P）/步长] +1. 不能整除时，一般去掉小数部分取整，如4.5，则取4 比如输入： 32 * 32 卷积核大小： 5 * 5 卷积核个数： 6 Padding : 0 步长： 1 则输出为：（...

一维卷积神经网络_卷积神经网络的基础知识

qq_35437792的博客

10-18

2万+

原文地址：点击查看一维卷积一维卷积的输入是一个向量和一个卷积核，输出也是一个向量。通常状况下，输入向量长度远大于卷积核的长度。输出向量的长度取决于卷积操作的填充方案，等宽卷积的输出向量的和输入的向量长度相等。 卷积核的长度通常是奇数，这是为了对称设计的。一个例子：一维卷积示例注意相乘的顺序是相反的，这是卷积的定义决定的。输出长度是7，卷积核长度是3，输出的长度是7-3+1 = 5。也就是说这里的卷积操作若输

CNN - 卷积

qq_45898993的博客

05-15

2735

01 基本概念卷积：简单来讲，就是把一个 n*m 的二维矩阵通过一个卷积核将其变为n1*m1的二维矩阵的过程称为卷积。 卷积核：给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。多通道：即输入矩阵的维度。特征图：卷积操作处理后的结果。特征选择：人工选取特征，然后计算机利用这些特征进行分类，在选择正确特征情况下，信噪比(signal-to-noise ration)将会提高，分类正确率也会提高。 Eg：多通道多卷积核的CNN（3

卷积基础知识

Sunshine_QS的博客

05-08

528

卷积层 什么是卷积核 混合两桶信息的流程，一种特征提取的手段信息 卷积核（初始值随机，由反向传播更新）运行原理讲卷积核在图片信息上进行滑动，相乘得出特征值卷积过程中滑动超出原始范围怎么办填充卷积特性局部感知小区域滑动权值共享在卷积核滑动的过程中卷积核值不变 卷积核深度与输入特征层深度相同输出的卷积层的深度与卷积核相同激活函数为什么要用激活函数每一层中的输入输出都是线性组合，要具备非线性的解决问题的

笔记：动手学深度学习pytorch（卷积神经网络基础；leNet；卷积神经网络进阶）

01-06

1×11 \times 11×1卷积核可在不改变高宽的情况下，调整通道数。1×11 \times 11×1卷积核不识别高和宽维度上相邻元素构成的模式，其主要计算发生在通道维上。假设我们将通道维当作特征维，将高和宽维度上的元素当成...

转置卷积transpose convolution

lzp_k2的专栏

12-12

3175

参考： A guide to convolution arithmetic for deep learning.(Vincent Dumoulin, Francesco Visin).[https://arxiv.org/abs/1603.07285] 中文：https://zhuanlan.zhihu.com/p/48501100 1概念转置卷积就是用卷积矩阵的转置矩阵进行卷积。...

1.3 卷积层的输出尺寸、参数量和计算量

热门推荐

Twinkle

07-19

7万+

先定义几个参数输入图片大小 W×W Filter大小 F×F 步长 S padding的像素数 P 于是我们可以得出 N = (W − F + 2P )/S+1 输出图片大小为 N×N 转载：卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，除不尽的结果都向上取整。 1.如果计算方式采用'VALID'，则：其中为输出特征图...

卷积结果计算公式

m0_63944097的博客

10-01

1691

卷积结果计算公式

CNN中卷积层输入与输出尺寸的计算细节

非晚非晚的博客

03-21

8456

输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）...

卷积、池化、反卷积、空洞卷积的输出大小计算公式

weixin_43572595的博客

11-17

5018

卷积对于卷积经过某层后的特征图大小计算方式： h2 = （h1-k+2p）/s + 1 w2 = （w1-k+2p）/s + 1 总结：卷积输出大小=[（输入大小-卷积核大小+2*Padding）／步长]+1 所以当stride为1时,当卷积核的大小比padding的两倍大1时，可以不改变特征图的尺寸，只改变通道数。池化对于池化： H=(H-K)/S+1 W=(W-K)/S+1 总结：池化输出大小=[（输入大小-卷积核大小）／步长]+1 反卷积反卷积输出大小 (input_size-1)×strid

卷积和反卷积核计算公式

Abraham Ben

03-05

1万+

1. 卷积输出: out_size=in_size+2×padding−kernel_sizestride+1 out\_size = \frac{in\_size+2\times padding - kernel\_size}{stride} + 1 out_size=stridein_size+2×padding−kernel_size+1 如果想让输入和输出大小一样，则stride必须为1，并且: padding=kernel_size−12 padding = \frac{kernel\_siz

卷积层输出大小计算

jacke121的专栏

02-05

1万+

假设输入数据维度为W*W Filter大小 F×F 步长 S padding的像素数 P 可以得出 N = (W − F + 2P )/S+1 输出大小为 N×N

深度学习图片卷积输出大小计算公式

qq_37978256的博客

09-25

1万+

深度学习图片卷积输出大小计算公式 先定义几个参数输入图片大小 W×WFilter大小 F×F步长 Spadding的像素数 P 于是我们可以得出 N = (W − F + 2P )/S+1 输出图片大小为 N×N

速查：卷积核参数计算公式

Jie Qiao的专栏

01-10

6877

卷积核参数计算公式笔记 notation：设输入为2维图像，输入大小为i∗ii * ii∗i，并且 kernel size=k stride = s padding=p 公式1：对于任意的i和k，如果s=1,p=0s=1,p=0s=1,p=0,则 o=(i−k)+1 o=(i-k)+1 o=(i−k)+1 公式2：对于任意的i和k,p，如果s=1s=1s=1,则 o=(i−k)+2p+1 o=(...

卷积神经网络基础概念和参数计算

在卷积层中，我们需要计算输出的形状。例如，假设我们有一个卷积层，输入一张形状为 3x100x100 的图像，输出的形状可以计算为： 3x102x102 其中，3 是输出通道数，102 是输出的宽度和高度。 5. 卷积神经网络的...