深度神经网络Tensorflow里卷积后feature map的大小

最新推荐文章于 2024-08-16 17:35:56 发布
最新推荐文章于 2024-08-16 17:35:56 发布
阅读量3.2k 收藏 1
点赞数
分类专栏： 深度学习 文章标签： 计算feature map的大小
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/banana1006034246/article/details/73650397
版权

深度神经网络Tensorflow里卷积后feature map的大小

feature map的大小和输入、filter、步长都有直接的关系。网上大多是步长为1的情况，自己总结了个公式。


举个例子，输入是5x5维的tensor，卷积核filter为3x3，步长stride为1的时候

input: 5x5

filter:  3x3

stride: 1x1

最终feature map为：3x3


步长不为1的时候，输入维数又很大的时候，该怎么计算，经过自己的研究得出公式：

input_size: 输入维数大小

filter_size: 卷积核大小

stride: 步长

feature map = ⌈ (input_size - filter_size + stride) / stride ⌉         ;;上取整，边界不丢弃


以上面的例子再算一次

⌈(5-3+1) / 1 ⌉ = 3

再以AlexNet 的结构里第一层卷积验证下，如下图输入 224x224 卷积核 11x11， 步长4

feature map=⌈(224-11+4) / 4 ⌉ = 55



花开彼岸天x
关注
专栏目录
Tensorflow实现卷积神经网络
奥特曼-QM的博客
02-27 1840
1.卷积神经网络简介 卷积神经网络网络（CNN）最初是为解决图像识别等问题设计的。在深度学习之前，主要借助SIFT。HoG等算法提取图像的特征，再结合SVM等机器学习算法进行图像识别。CNN被作为一个深度学习的架构降低了对图像数据预处理的要求，避免了复杂的特征工程，CNN可以直接使用图像的原始像素作为输入，在训练时自动提取最有效的特证。 在卷积神经网络中，第一个卷积层会直接接受图像像素级的输入，每...
深度学习_Python_TensorFlow之卷积神经网络
wlm_py的博客
11-07 931
本文准备以MNIST数据集为案例，使用Python语言和TensorFlow平台构建卷积神经网络模型。 一、准备工作 具备一定的Python语言基础知识，安装任何可用的Python开发工具，安装TensorFlow库，使用pip库安装 pip install tensorflow 然后在解释器中导入tensorflow库（import tensorflow），看是否有错，没有，则安装成功。...
feature map大小计算方法
qq_28424679的博客
11-29 1万+
  （1）边长的计算公式是： output_h =（originalSize_h+padding*2-kernelSize_h）/stride +1 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×...
feature map大小计算
weixin_43399966的博客
11-08 391
featuremap_size = (image_size-kernel_size+2*padsize)/stride+1 例如： padsize =0 stride =1 image_size = 6 kernel_size = 3 featuremap_size = (6-3+2*0)/1+1 =4
计算机视觉5：图像平滑
最新发布
KingGodZ的博客
08-16 1406
图像平滑主要是消除噪音。一些噪音干扰使图像退化，质量下降，表现为图像模糊、特征淹没、对图像分析不利。去除噪音、恢复原始图像是图像处理中一个重要的内容。
卷积后feature map尺寸计算公式
AplusX
07-07 1182
像素宽度：W（Width） 填充大小：P（Padding） 卷积核大小：K（Kernel-size） 步长大小：S（stride） 卷积后所得feature map尺寸大小计算公式如下： 补充： 1.Padding的作用用于解决图像边缘信息损失的问题； 2.计算卷积后map尺寸时若不为整数则向下取整，而计算pooling后尺寸时则向上取整。 ...
CNN卷积神经网络学习笔记
Yigit_dev的博客
11-09 2677
本篇博客主要归纳整理，CNN相关的基础知识和部分经典卷积神经网络的结构与特点。图片大部分来自Fei-Fei Li CNN课程PPT、网络和paper，如有侵犯请及时告知CNN相关基础知识卷积神经网络和全连接神经网络的区别区别：如上图所示， 1. 全连接神经网络中每个神经元或者filter都与输入图像的每个像素相关联，参数量大 2. 卷积神经网络中每个神经元或者filter只与原图中部分像素相
深度学习中feature map是什么？
w13940062279的博客
07-11 1030
在每个卷积层，数据都是以三维形式存在的。你可以把它看成许多个二维图片叠在一起，其中每一个称为一个feature map。在输入层，如果是灰度图片，那就只有一个feature map；如果是彩色图片，一般就是3个feature map（红绿蓝）。层与层之间会有若干个卷积核（kernel），上一层和每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map。在CNN的设定里，Feature Map是卷积核卷出来的,你用各种情况下的卷积核去乘以原图，会得到各种各样的feature m
对Tensorflow中权值和feature map的可视化详解
12-24
本文将详细介绍如何利用TensorFlow实现这一目标，特别是卷积神经网络（CNN）中的权重和Feature Map的可视化。 首先，卷积知识是理解权重和Feature Map可视化的关键。卷积核在图像的每个通道上滑动，通过卷积运算...
基于TensorFlow的卷积神经网络的研究与实现.pdf
09-26
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，它在计算机视觉领域，特别是图像分类、目标检测和图像语义分割等方面取得了显著成果。CNN的设计灵感来源于生物视觉系统，尤其是猫的...
Tensorflow中权值和feature map的可视化
无空ty的博客
04-24 2万+
前言Tensorflow中可以使用tensorboard这个强大的工具对计算图、loss、网络参数等进行可视化。本文并不涉及对tensorboard使用的介绍，而是旨在说明如何通过代码对网络权值和feature map做更灵活的处理、显示和存储。本文的相关代码主要参考了github上的一个小项目，但是对其进行了改进。原项目地址为(https://github.com/grishasergei/con
理解卷积神经网络CNN中的特征图 feature map
热门推荐
dengheCSDN的博客
09-05 5万+
         一直以来，感觉 feature map 挺晦涩难懂的，今天把初步的一些理解记录下来。参考了斯坦福大学的机器学习公开课和七月算法中的机器学习课。        CNN一个牛逼的地方就在于通过感受野和权值共享减少了神经网络需要训练的参数的个数。总之，卷积网络的核心思想是将：局部感受野、权值共享（或者权值复制）以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不...
CNN中feature map可视化
Yingying
03-06 6002
卷积特征的可视化，有助于我们更好地理解深度网络。卷积网络在学习过程中保持了图像的空间结构，也就是说最后一层的激活值（feature map）总和原始图像具有空间上的对应关系，具体对应的位置以及大小，可以用感受野来度量。利用这点性质可以做很多事情： 1 前向计算。我们直接可视化网络每层的 feature map，然后观察feature map 的数值变化. 一个训练成功的CNN 网络，其featu
卷积神经网络中卷积核与Feature Map大小的运算关系式
JUNSHENGfx_的博客
11-27 1000
卷积神经网络中卷积核与Feature Map大小的运算关系式 - 卷积中的Feature Map大小计算方式有两种，分别是 VALID 和 SAME 1. 如果计算方式采用’VALID’，则： 其中为Wout输出Feature Map的大小，Win为输入Feature Map的大小，F为卷积核大小，stride为卷积步长。不能整除时向上取整。 2. 如果计算方式采用’SAME’，输出特征图的大小与输入特征图的大小保持不变， 其中padding为特征图填充的圈数。 若采用’SAME’方式，kerne
卷积神经网络（CNN）的细节问题（滤波器的大小选择）
03-08 3万+
1. 权值共享：减轻过拟合 & 降低计算量一个卷积层（Wx+b ⇒ ReLU ⇒ maxpooling）可以有多个不同的卷积核，而每一个卷积核都对应一个滤波后映射出的新图像，同一个新图像中的每一个像素都来自完全相同的卷积核，这就是卷积核的权值共享。那么为什么要共享卷积核的权值参数呢？ 降低模型复杂度以减轻过拟合； 降低计算量；
深入理解深度学习中的【卷积】和 feature map
Allenlzcoder的博客
12-09 2万+
深入理解深度学习中的卷积和feature map        虽然深度学习的概念已经传遍大街小巷，本文还是说一说CNN中的卷积。        本文主要介绍卷积层的结构。下图显示了CNN中最重要的部分，这部分称之为过滤器(filter)或内核(kernel)。因为TensorFlow官方文档中将这个结构称之为过滤器(filter)，故在本文中将统称这个结构为过滤器。如下图所示，过滤器可以将当前层网络上的一个子节点矩
TensorFlow中卷积运算输出图片尺寸大小的计算，亲测有效，附例子
any1234567890的博客
08-28 1097
设输入图片尺寸为W，卷积核尺寸F，步距S，Padding为P。 一、当padding='SAME'时：卷积核尺寸不影响输出尺寸大小，输出尺寸为W/S，向上取整。（例如15.5=16） 例1：[W/S]=[32/2]=16 import tensorflow as tf input = tf.Variable(tf.random_normal([1, 32, 32, 3])) weight...
计算卷积神经网络的各层输出大小
qq_27009517的博客
03-04 5074
# coding: utf-8 import os import codecs import numpy as np from sklearn.preprocessing import scale import tensorflow as tf def weight_variable(shape): initial = tf.truncated_normal(shape, std...
Tensorflow深度解析：卷积神经网络原理与实战应用
卷积神经网络(CNN)是Tensorflow中的重要工具，它是一种前馈神经网络，在计算机视觉领域表现出色，因其在图像识别、分类和特征提取中的高效性能而备受关注。CNN的核心概念是卷积层，它利用卷积核对输入图像进行局部...
评论 1
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