【知识点】maxpooling/nn.Conv图片大小计算

已于 2023-04-05 22:36:09 修改
阅读量567 收藏 1
点赞数
文章标签： python pycharm
于 2023-04-05 22:35:09 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/azheng02/article/details/129978679
版权

maxpooling

【（input_width+2*pad-pool_size）/stride】+1

 

reference

Conv

out_size = [（in_size - Kernel_size + 2*padding）/ Stride] +1

reference

注：

1. nn.Conv 不改变图片大小，只改变维度，维度看Conv里面的设置

例如

则输出512维（后一个）

2. maxpooling后，图片大小变为1/2，如果进入maxpooling之前图片边长为奇数，则输出大小为（边长+1）/2

不懂还要搞机器学习的咸鱼
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorFlow tf.nn.conv2d实现卷积的方式
09-18
今天小编就为大家分享一篇TensorFlow tf.nn.conv2d实现卷积的方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解
09-17
今天小编就为大家分享一篇对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
10 卷积神经网络CNN（基础篇）
Micoreal的博客
02-10 1515
个人学习笔记
【吴恩达CNN】week1：卷积与池化
kodoshinichi的博客
11-19 942
吴恩达CNN课程第一周，讲述了卷积和池化的相关概念
PyTorch 的 Pooling 和 UnPooling函数中的 indices 参数：nn.MaxPool2d/nn.MaxUnpool2d、F.max_pool2d/F.max_unpool2d
qq_43799400的博客
02-12 3403
这篇博文主要介绍 PyTorch 的 MaxPooling 和 MAxUnPooling 函数中涉及到的 indices 参数。indices 是“索引”的意思，对于一些结构对称的网络模型，上采样和下采样的结构往往是对称的，我们可以在下采样做 MaxPooling 的时候记录下来最大值所在的位置，当做上采样的时候把最大值还原到其对应的位置，然后其余的位置补 0。indices 参数的作用就是保存 MaxPooling 操作时最大值位置的索引。
复盘：下面的这两个随机数组“a”和“b”：请问数组c=a+b的维度是多少
weixin_46838716的博客
07-12 487
1）b（列向量）复制3次，以便它可以和A的每一列相加，所以：c.shape = (2, 3) 3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。
Max Pooling核运算
xc_bnu的博客
07-15 3639
当步长大于1时，有时会出现边界问题，到底是扩充还是舍去：padding为SAME模式时，先对原图像进行填充，再做卷积，填充值须根据卷积核大小及滑动步长决定，当滑动步长大于1时：填充数=K-I%S（K:卷积核边长，I：输入图像边长，S：滑动步长），滑动步长为1时，直接卷积核边长减1，当差偶数个元素是首尾各补一半，差奇数个时前边补奇数个，后边补偶数个padding为VALID模式时，很简单粗暴直接从原...
Code 计算conv2d，maxpooling操作后特征图的大小
weixin_41719716的博客
06-28 232
【代码】Code 计算conv2d，maxpooling操作后特征图的大小。
nn.MaxPool2d()函数的使用，以及图像经过pool后的输出尺寸计算
Ka_kaen的博客
09-10 3095
最大池化通常用于卷积神经网络中，以逐渐减小特征图的尺寸，同时保留重要的特征信息。输出尺寸 = floor((6 - 2) / 2) + 1 = floor(4 / 2) + 1 = 2 + 1 = 3。假设有一个输入特征图，尺寸为 6x6（高度为 6，宽度为 6），并且要应用 2x2 的最大池化窗口，步幅为 2x2。input_data = torch.randn(1, 1, 4, 4) # 1个样本，1个通道，4x4的特征图。因此，经过这个最大池化操作后，输出的特征图尺寸为 3x3。
CNN中各层图像大小的计算
热门推荐
GavinZhou的博客
01-29 2万+
CNN刚刚入门，一直不是很明白通过卷积或者pooling之后图像的大小是多少，看了几天之后终于搞清楚了，在这里就结合keras来说说各层图像大小是怎么计算的，给刚入门的一点启发吧！keras中的convolution和poolingkeras我们以0.2的版本来介绍，0.1对的版本有不一样的地方。0.1的版本的border_mode可以有三种：valid，same，full，0.2版本中的只有两种少
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
今天小编就为大家分享一篇pytorch nn.Conv2d()中的padding以及输出大小方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch中nn.Conv1d的用法详解
09-18
今天小编就为大家分享一篇pytorch中nn.Conv1d的用法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
darknet53.conv.74
07-13
pytorch yolov3 目标检测 darknet53.conv.74 https://pjreddie.com/media/files/darknet53.conv.74 yolov3 权重文件
卷积、池化
智障儿童欢乐多
11-13 778
卷积、池化 文章目录卷积、池化一、卷积1.定义：2.目的3.卷积核卷积核的作用：卷积核一般为奇数卷积核示例：4.步长stride5.padding6.公式7.卷积核的选择@@@二、池化1定义：2.目的3.分类：4.公式 一、卷积 1.定义： 卷积是两个变量在某范围内相乘后求和的结果。如果卷积的变量是序列x(n)和h(n)，则卷积的结果 中文名 卷积 外文名 Convolution 定...
Chapter6视觉处理基础
weixin_43845922的博客
09-16 776
cv
【PyTorch】nn.MaxPool2d函数详解
See_Star的博客
10-28 1万+
nn.MaxPool2d函数详解
卷积神经网络（一）- 卷积神经网络
zxq997997的博客
07-10 1304
卷积神经网络（一）- 卷积神经网络
网课-cnn
小航哥的博客
03-05 376
图像识别中遇到的问题可能有图片特征的纬度过高，1000*1000像素的图片，特征维度是1000*1000*3，如果你要输入3百万的数据量就意味着特征向量的维度高达三百万，也许有1000个隐藏单元，而所有的权值组成的矩阵W[1]，如果使用标准的全连接网络，这个矩阵的大小将是1000*3百万，也就是30亿个参数。带来的问题：巨大的内存需求+很容易会过拟合，除非你可以提供非常多的样本数据。为了能处理大图...
python中用“*”运算符复制列表时子列表实际上引用的是同一个列表，列表和嵌套列表的坑
最新发布
ThreeS_tones的博客
05-21 113
当你修改了一个子列表的元素时，所有的子列表都会随之改变。因为他们实际上都是同一个子列表的引用。输出如下，可以看到每个子列表中的第5个元素相同，并没有实现从0.8-1.2分布。先看一个例子，我想改变load的子列表中第五个元素，从0.8-1.2分布。的时候，Python实际上。
nn.conv1d、nn.conv2d、nn.conv3d三者的区别
09-23
nn.conv1d、nn.conv2d和nn.conv3d都是PyTorch深度学习框架中的卷积层函数。它们的区别在于输入张量的维度不同，分别适用于一维、二维和三维的输入数据。 nn.conv1d主要应用于处理一维的数据，比如文本或时间序列数据。它的输入张量是一个三维张量，形状为(batch_size, num_channels, sequence_length)，其中batch_size表示每个训练批次的样本数量，num_channels表示输入数据的通道数，sequence_length表示每个样本中的时间序列长度。nn.conv1d在卷积操作时只在时间序列方向上进行滑动，通常用于提取时序数据的特征。 nn.conv2d适用于处理二维的数据，比如图像数据。它的输入张量是一个四维张量，形状为(batch_size, num_channels, height, width)，其中batch_size表示每个训练批次的样本数量，num_channels表示输入数据的通道数，height和width表示图像的高度和宽度。nn.conv2d在卷积操作时在图像的宽度和高度方向上进行滑动，通常用于提取图像数据的特征。 nn.conv3d主要用于处理三维的数据，比如视频数据或三维图像。它的输入张量是一个五维张量，形状为(batch_size, num_channels, depth, height, width)，其中batch_size表示每个训练批次的样本数量，num_channels表示输入数据的通道数，depth、height和width表示三维数据的深度、高度和宽度。nn.conv3d在卷积操作时在三维数据的深度、高度和宽度方向上进行滑动，通常用于提取三维数据的特征，如视频帧或医学图像。 总结而言，nn.conv1d、nn.conv2d和nn.conv3d是在不同维度的输入数据上进行卷积操作的函数，适用于处理一维、二维和三维的数据。对于不同类型的数据，我们可以选择合适的卷积函数来提取特征。

“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