详解卷积中常见参数及用法（stride、kernel_size、padding、dilation)

已于 2024-01-09 21:45:16 修改
阅读量4.8k 收藏 23
点赞数 19
分类专栏： 深度学习基础知识 文章标签： 深度学习 图像处理 目标检测 计算机视觉
于 2024-01-08 15:58:20 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/absence521/article/details/135459088
版权
本文探讨了在深度学习中遇到的困惑——步长(stride)与空洞卷积(dilation)的区别，解释了它们的作用并提供了计算公式。作者推荐了一个可视化工具帮助初学者理解这些参数。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近看自己方向的论文，发现有的时候还是分不清一些参数的用法和含义，比如今天就在stride和dilation之间思考了很久，知识确实是学杂了，为了加深印象决定记录下来。

1.stride(步长）

就是卷积核每一个移动的长度，很好理解，这里放上动图
在这里插入图片描述
这个卷积核和图片都要大一点

2.dilation (空洞卷积）

扩展率，这里主要采用了空洞卷积，有一种好处就是增大了感受域(receptive field)
在这里插入图片描述
上图的dilation等于2，表示两个卷积核之间的距离。

经过卷积操作后输出的宽和高可以按照下面的公式计算：
在这里插入图片描述

附：

在这里推荐一个可以可视化卷积参数的网站，很直观，适合初学者。
https://ezyang.github.io/convolution-visualizer/index.html
可以自己定义参数值，非常好用：
在这里插入图片描述

tensorflow中卷积神经网络中 步长stride的定义
sunshinefcx的博客
01-01 5080
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...
卷积神经网络的参数计算
热门推荐
绝望的乐园
01-08 8万+
前言 这篇文章会简单写一下卷积神经网络上参数的计算方法，然后计算各个常见神经网络的参数。一个是加强对网络结构的了解，另一方面对网络参数的量级有一个大概的认识，也可以当作备忘录，免得想知道的时候还要再算。 参数计算方法 全连接的参数计算就不说了，比较简单。 首先，简单说一下卷积网络的参数计算。下图中是一个32x32x3的输入，然后用一个5x5x3的卷积对其中某个位置的计算，这里算的是一个
如何计算卷积的复杂度、卷积层的参数量
最新发布
ncnfjdjjd的博客
04-06 1106
这也就是为什么输入图像的的 H 和 W 不能算入参数量，因为它们是输入数据，是送进网络的图像/特征图，它。• 步长 stride = 1，padding 保持尺寸不变（输出还是 64x64）），卷积核大小是k✖️k，则对于每个输入的 channel，（浮点运算次数），指的是模型运行时需要执行多少次。• 输出通道数（输出特征图的深度）：64。• 输出特征图大小：224 ✖️ 224。（每次卷积一个输出像素时乘加一次）个卷积核），所以还需要相乘，得到。（Parameters）：是。输出通道数（即卷积核个数）
卷积中的参数
weixin_30838921的博客
03-20 323
卷积参数 :(参数,filter多少,卷积核大小) 32*32*3 5*5*3卷积后,得到 28*28*1 计算公式 32-5+1,若使用6个filter 那么就是得到28*28*6个输出 即:加上bias后,5*5*3*6+6 456个参数 卷积后的大小计算:关键参数(步长,卷积核大小) (N-F)/stride + 1 , 在卷积核大于1时,不整除,需要加padding[paddi...
卷积网络参数分析
weixin_54959970的博客
03-21 829
卷积网络参数分析
卷积参数详解
Lzj000lzj的博客
07-04 1213
当输入的数据为32*32*3，卷积核大小为5*5*3且slide=1时，得到(32-5+1)*(32-5+1)*(3-3+1)=28*28*1，同时如果我们有6个卷积核，那么得到的是28*28*6大小的输出
卷积参数计算
如何心安理得的在老板眼皮下摸鱼
05-30 3296
1.比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个 5x5x3的卷积核，故输出6个feature map（activation map），大小即为28x28x6。下图中，第二层到第三层，其中每个卷积核大小为5x5x6，这里的6就是28x28x6中的6，两者需要相同，即每个卷积核的“层数”需要与输入的“层数”一致。有几个卷积核，就输出几个feature map，下图中，与第二层作卷积的卷积核有10..
神经网络：CNN中的filter，kernel_size，strides，padding对输出形状的影响
weixin_44116706的博客
06-09 4388
输入数据在经过卷积层后，形状一般会发生改变，而形状的变化往往与以下三个超参数有关。
self.cnn = nn.Sequential( nn.Conv1d(in_channels=1,output_channels=32,kernel_size=3,padding=1), nn.ReLU(), nn.MaxPool1d(kernel_size)代码解析
03-14
比如，使用公式$$L_{out} = \frac{L_{in} + 2 \times \text{padding} - \text{dilation} \times (\text{kernel\_size} - 1) - 1}{\text{stride}} + 1$$，并结合引用3中的例子进行计算。 还需要注意用户可能的误区，...
pytorch中卷积操作的初始化方法(kaiming_uniform_详解)
爱在深秋
05-26 1万+
摘要： 最近写了一篇文章，reviewers给了几个意见，其中之一就是：不同配置下的网络初始化条件是否相同，是怎样初始化的？ 之前竟然没有关注过这个问题，应该是torch默认情况下会初始化卷积核参数，这里详细讲解一下torch卷积操作的初始化过程。 1. pytorch中的卷积运算分类 在pycharm的IDE中，按住ctrl+鼠标点击torch.nn.Conv2d可以进入torch的内部卷积运算的源码(conv.py) 搭建网络经常使用到的模块如下图所示： class _ConvNd(.
Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1))
03-25
好的，我需要回答用户关于PyTorch中Conv2d函数的参数详解，特别是给定参数256、128、kernel_size=1x1、stride=1x1的情况。首先，我得回忆Conv2d的基本参数及其作用。Conv2d是二维卷积层，主要参数包括in_channels、...
Pytorch中膨胀卷积的用法详解
09-18
在PyTorch中，要实现这一点，不能直接使用padding='SAME'（这个选项在PyTorch中并不存在），而应该通过调整膨胀率（dilation）、卷积核大小（kernel_size）、步长（stride）和填充（padding）等参数，来确保计算后的...
pytorch中的卷积和池化计算方式详解
09-18
3. `kernel_size`: 卷积核的尺寸，可以是单个整数或元组，例如(3, 3)表示3x3的卷积核。 4. `stride`: 卷积步长，默认为1，控制卷积核移动的速度。 5. `padding`: 填充，默认为0，用于保持输出尺寸与输入尺寸相同或...
卷积:kernel size/padding/stride
xinfeng205的博客
04-01 3365
1.1 卷积输出尺寸计算公式 out=(input-filter+2*padding)/stride+1 1.2 卷积输出尺寸计算示例 输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，paddi...
pytorch中卷积函数参数
woxiangxinwang的博客
02-13 1024
对于pytorch深度学习框架，二维卷积nn.Conv2d对于宽度和高度都进行卷积运算，其定义如下： class torch.nn.Conv2d(in_channels, out_channels, kennel_size, stride=1, padding=0, dilation=1, groups=1, bias=true) in_channels(int) 输入特征图的通道数 out_channels(int) 输出特征图的通道数 kenal_size(int or tuple) 卷积核大小 st
卷积的参数计算
asdv78901的博客
09-14 382
假设一个卷积层的输入的特征图（feature maps）数量（input channels）为“n”，输出为特征图数量为“m”，卷积核（kernel size）为“k”。假设我们处理的是一个2D的卷积操作，卷积层对应的输入的参数量为k * k * n，与此同时，由于输出为m通道的特征图数量，为了映射到输出卷积层需要学习（k * k * n）* m个参数，但是这里不能忽略掉偏差项（由z =...
卷积神经网络原理与参数学习
qq_45790610的博客
04-10 1267
唐宇迪 深度学习第三章 视觉神经网络介绍
卷积核参数详细介绍
xioayanran123的博客
11-11 568
6. 输入输出通道数：输入通道数由输入矩阵的通道数决定，输出通道数由卷积核的输出通道数（即卷积层的深度，或使用了多少个filters）决定。4. 步长（Stride）：步长是指卷积核在输入数据上移动的距离，较大的步长会导致输出矩阵尺寸缩小，而较小的步长会保留更多的细节。5. 填充（Padding）：在输入数据的边缘进行填充，确保卷积核在输入数据的边缘也能进行有效的运算，用来保持输出矩阵的大小。2. 尺寸：卷积核通常是一个小矩阵，如3x3、5x5等，定义了卷积的大小范围，在网络中代表感受野的大小。
31、卷积 - 参数 dilation 以及空洞卷积
AI与算法都要通俗易懂
12-11 2177
想象一下，你有一个超大的图像，普通卷积核可能无法捕捉到足够多的信息。这时，空洞卷积就派上用场了，它拥有更大的感受野，帮助模型处理大尺寸的输入数据。
self.conv2 = weight_norm(nn.Conv1d(n_outputs, n_outputs, kernel_size, stride=stride, padding=padding, dilation=dilation))
05-05
这是一个使用 weight normalization 技术的一维卷积层，它的输入和输出通道数都是 n_outputs，卷积核大小是 kernel_size，步长是 stride，填充是 padding，膨胀率是 dilation。weight normalization 是一种用来加速神经网络训练的技术，它通过对权重进行归一化来减小梯度消失和梯度爆炸的问题，从而加快模型收敛速度。在这里，weight normalization 被应用在卷积层中，可以有效地加速卷积层的训练过程。
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