GoogLeNet池化操作的尺寸计算问题

已于 2024-04-22 16:58:18 修改
阅读量141 收藏
点赞数 2
文章标签： python
于 2024-04-22 15:38:00 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/czlczl20020925/article/details/138078895
版权

问题描述

  • 池化操作后尺寸=(原尺寸-kernel_size+2*padding)/stride+1
  • GoogLeNet中maxpool1和maxpool2计算出的池化后尺寸均进行了向上取整，
    在这里插入图片描述

原因分析：

  • 这里猜测的原因是ceilmode=True导致池化操作可能在越界时添加了padding
  • self.max_pool2 = nn.MaxPool2d(3, 2, ceil_mode=True)
czlczl20020925
关注
神经网络中关于卷积池化的计算
zhongjunlang的专栏
03-15 4314
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，padding 1，stride 1）之后，输出特征图大小为：97解析：一层卷积 ：注意：这里卷积是向下取整的池化：二层卷积：计算尺寸不被整除只在G...
bvlc_googlenet.caffemodel
11-08
GoogLeNet是Inception架构的先驱，它在ImageNet分类挑战赛上取得了优异的成绩，以相对较小的计算量和参数数量实现了高精度。`bvlc_googlenet.caffemodel`就是训练好的GoogLeNet模型权重，可以直接用于图像分类任务。...
GoogLeNet
weixin_43566977的博客
08-07 1286
GoogLeNet相关说明
卷积核、池化层输出尺寸计算公式，VGG16神经网络结构图及各层推导及PyTorch实现代码
Zijie123pea的博客
03-17 4207
卷积层   使用卷积处理图像，输出的图像的尺寸为： Wout=Win−Wfilter+2PS+1W_{out}=\frac{W_{in}-W_{filter}+2P}{S}+1Wout​=SWin​−Wfilter​+2P​+1 Hout=Hin−Hfilter+2PS+1H_{out}=\frac{H_{in}-H_{filter}+2P}{S}+1Hout​=SHin​−Hfilter​+2P​+1   公式中WfilterW_{filter}Wfilter​和HfilterH_{filter}Hfil
深度学习经典网络模型汇总——LeNet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet【对卷积池化后特征图变化有详细讲解】
秃头小苏的博客
01-26 1万+
先来看一下我们要讲述哪些经典的网络模型，如下： LeNet ：最早用于手写数字识别的CNN网络 AlexNet ：2012年ILSVRC比赛冠军，比LeNet层数更深，这是一个历史性突破。 ZFNet ：2013年ILSVRC比赛效果较好，和AlexNet类似。 VGGNet ：2014年ILSVRC比赛分类亚军、定位冠军 GoogleNet ：2014年ILSVRC分类比赛冠军 ResNet ：2015年ILSVRC比赛冠军，碾压之前的各种网络 LeNet ​ 1989年，Yang LeCun等
Pytorch学习笔记（五）——CNN中卷积和池化操作后的特征图大小计算方法
qq_23345187的博客
11-15 9277
一、卷积操作 注意：卷积操作需要向下取整 假设： 设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，填充为P,经过该卷积层后输出的图像尺寸为NxN,计算公式为： N=W−F+2PS+1 N=\cfrac {W-F+2P} {S}+1 N=SW−F+2P​+1 设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，填充为P，则： W=W−F+2PS+1 W=\cfrac {W-F+2P} {S}+1 W=SW−F+2P​+1 H=H−F+2PS+1 H=\cfrac {H-F+2
GoogLeNet网络
星空点点
02-24 388
GoogLeNet
【深度学习】：《PyTorch入门到项目实战》卷积神经网络2-7：GoogLeNet（附Pytorch源码）
热门推荐
阿里云专家博主、数据科学领域优质创作者、统计er在读
07-21 1万+
GoogleNet是由Google团队在2014年提出的深度卷积神经网络架构。它是为解决图像分类任务而设计的，并在ImageNet图像分类挑战赛中取得了很好的成绩。与VGGNet、LeNet、AlexNet有较大不同。在之前我们介绍的架构中VGG大量使用了3×3卷积，AlexNet使用了5×5，而NiN使用了1×1。因此，在构建卷积层时，我们要决定过滤器的大小究竟是1×13×3还是5×5，或者要不要添加池化层。而GoogleNet网络的想法就是我全都要！
含并行连接的网络（GoogLeNet）
2406_83604847的博客
07-28 1520
GoogLeNet，全称为GoogleNet，是谷歌工程师设计的一种深度神经网络结构，于2014年在ImageNet大规模视觉挑战赛（ILSVRC-2014）上取得了分类任务的冠军，并以6.65%的错误率力压其他模型。该模型的名字“GoogLeNet”是对早期由Yann LeCun设计的卷积神经网络LeNet的致敬。
GoogLeNet论文解读
David Lee的博客
02-24 4978
GoogLeNet论文翻译及解读
GoogleNet网络Pytorch实战.pdf
06-05
Inception结构是GoogLeNet的核心创新之一，它通过将输入的特征矩阵分发到多个并行的分支进行处理，每个分支使用不同尺寸的卷积核进行卷积操作（如1x1、3x3、5x5等），然后将处理结果按深度进行拼接，形成最终的输出...
GoogLeNet网路结构
09-13
GoogLeNet的核心特点是其创新的Inception模块，这些模块通过并行的方式应用不同尺寸的卷积核（1x1, 3x3, 5x5），以及最大池化操作，以捕获不同尺度的特征。这种设计使得网络能够在保持计算效率的同时增加深度和宽度...
（笔记）第三期书生·浦语大模型实战营（十一卷王场）--书生入门岛通关第2关Python 基础知识
haidizym的博客
10-02 494
学员闯关手册：https://aicarrier.feishu.cn/wiki/ZcgkwqteZi9s4ZkYr0Gcayg1n1g?课程视频：https://www.bilibili.com/video/BV1mS421X7h4/课程文档：https://github.com/InternLM/Tutorial/tree/camp3/docs/L0/Python。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
GIS潮流
09-30 1333
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
酷炫音乐盒: 使用Python和Tkinter配合Pygame打造自己的音乐播放器
宇宙第一小趴菜的博客
09-29 1247
Tkinter是一个功能强大且简单易用的库，适合构建轻量级的GUI应用程序。它在不同的操作系统上具有相同的外观和行为，因此可以实现跨平台的应用程序。当然，Tkinter还有更多的功能和细节，通过阅读官方文档和教程，你可以更深入地了解和学习如何运用Tkinter来创建各种GUI应用程序。
Python | Leetcode Python题解之第448题找到所有数组中消失的数字
Mopes__的博客
10-01 421
Python | Leetcode Python题解之第448题找到所有数组中消失的数字
pytorch版本和cuda版本不匹配问题
最新发布
分享计算机视觉，C++，网络摄像头研发，音视频开发，嵌入式等知识。
10-06 287
发现cuda11.8支持pytorch2.0.0。
Python编写的贪吃蛇小游戏
WwLK123的博客
10-03 466
Python编写贪吃蛇小游戏。
GoogLeNet深度学习网络计算详解
GoogLeNet模型的计算过程开始于输入图像，其尺寸通常是10张3通道、224x224像素的图片。在处理前，需要将数据集按要求调整为合适的格式。 第一层是7x7卷积层，它包含64个滤波器，使用3x3的padding以保持输入尺寸不变...
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