卷积神经网络CNN基本概念（一） 卷积与反卷积、步长（stride）与重叠（overlap）

卷积神经网络CNN基本概念（一）

卷积与反卷积、步长（stride）与重叠（overlap）

参考网址：https://blog.csdn.net/lanchunhui/article/details/61210506

 

 

1. 卷积与反卷积

如上图演示了卷积核反卷积的过程，定义输入矩阵为 II（4×44×4），卷积核为 KK（3×33×3），输出矩阵为 OO（2×22×2）：

• 卷积的过程为：Conv(I,W)=OConv(I,W)=O
• 反卷积的过称为：Deconv(W,O)=IDeconv(W,O)=I（需要对此时的 OO 的边缘进行延拓 padding）

2. 步长与重叠

卷积核移动的步长（stride）小于卷积核的边长（一般为正方行）时，变会出现卷积核与原始输入矩阵作用范围在区域上的重叠（overlap），卷积核移动的步长（stride）与卷积核的边长相一致时，不会出现重叠现象。

4×44×4 的输入矩阵 II和 3×33×3 的卷积核KK：

• 在步长（stride）为 1 时，输出的大小为 (4−3+1)×(4−3+1)(4−3+1)×(4−3+1)

现考虑其逆问题，原始输入矩阵为多大时，其与 3×33×3 的卷积核KK 相卷积得到的输出矩阵的大小为 4×44×4：

• 步长（stride）为 1 时，(x−3+1)×(x−3+1)=4×4(x−3+1)×(x−3+1)=4×4 
  • x=6