卷积步长strides参数的具体解释

最新推荐文章于 2024-05-25 21:32:01 发布
最新推荐文章于 2024-05-25 21:32:01 发布
阅读量2.9w 收藏 51
点赞数 27
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/deeplearningfeng/article/details/78551071
版权

conv1 = tf.nn.conv2d(input_tensor,conv1_weights,strides=[1,1,1,1],padding='SAME')

这是一个常见的卷积操作，其中strides=【1,1,1,1】表示滑动步长为1，padding=‘SAME’表示填0操作

当我们要设置步长为2时，strides=【1,2,2,1】，很多同学可能不理解了，这四个参数分别代表了什么，查了官方函数说明一样不明不白，今天我来解释一下。

strides在官方定义中是一个一维具有四个元素的张量，其规定前后必须为1，这点大家就别纠结了，所以我们可以改的是中间两个数，中间两个数分别代表了水平滑动和垂直滑动步长值，于是就很好理解了。

在卷积核移动逐渐扫描整体图时候，因为步长的设置问题，可能导致剩下未扫描的空间不足以提供给卷积核的，大小扫描 比如有图大小为5*5,卷积核为2*2,步长为2,卷积核扫描了两次后，剩下一个元素，不够卷积核扫描了，这个时候就在后面补零，补完后满足卷积核的扫描，这种方式就是same。如果说把刚才不足以扫描的元素位置抛弃掉，就是valid方式。

deeplearningfeng
关注
  • 27
    点赞
  • 踩
  • 51
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
对tensorflow中的strides参数使用详解
09-18
在深度学习框架TensorFlow中，`strides`参数是执行卷积和池化操作时的关键配置项。它决定了卷积核或池化窗口在输入张量的不同维度上如何移动。本文将详细解释`strides`的工作原理及其在实际应用中的影响。 首先，`...
基于Tensorflow一维卷积用法详解
09-16
2. **步长（Stride）**：在卷积过程中，滤波器每次移动的单位距离，决定了输出特征图的尺寸。 3. **填充（Padding）**：为了保持输出特征图的尺寸与输入相似，可以使用填充策略，`SAME` 表示填充后输出宽度与输入...
tensorflow中strides参数详解
weixin_42713739的博客
11-13 988
tensorflow中strides参数详解 在学习tensorflow看到卷积这部分时，不明白这里的4个参数是什么意思，文档里面也没有具体说明。strides在官方定义中是一个一维具有四个元素的张量，其规定前后必须为1，所以我们可以改的是中间两个数，中间两个数分别代表了水平滑动和垂直滑动步长值。前后2个数字代表什么意思？一直都比较模糊 def conv2d(x, W): return tf....
stride中参数含义及步长修改
zhuimengshaonian66的博客
08-31 4781
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tensorflow中，stride的一般形式是[1，x，y，1] 第一个1表示：在batch维度上的滑动步长为1，即不跳过任何一个样本 x表示：卷积核的水平滑动步长 y表示：卷积核的垂直滑动步长 最后一个1表示：在通道维度上的滑动步长为1，即...
卷积神经网络（CNN）自学笔记2：卷积层
最新发布
yuyu_297的博客
05-25 2535
卷积层是卷积神经网络的基本组成之一，主要作用是用于提取图像特征。
【TensorFlow】-- 参数strides、ksize的含义
xgyyxs的博客
10-19 4171
strides=[1, 1, 1, 1]的含义 strides[0] = 1 在 batch 维度上的移动为 1，也就是不跳过任何一个样本 strides[1] = 1 在宽度的方向上步长为1 strides[2] = 1 在高度的方向上步长为1 strides[3] = 1 在 channels 维度上的移动为 1，也就是不跳过任何一个颜色通道； ...
理解反卷积
我的博客
01-14 985
 先看看卷积，数字只是说明位置方便，不是具体数值，这里是valid卷积 ，stride=1  由CNN基础我们知道 17 这个点是由前面1 2 5 6 和卷积核运算得到的，那么反卷积就是要从17 反推1,2,5,6 ，这是一个无穷解问题，反卷积目的就是找到一个合适的卷积核使5这个点尽可能映射回去 。  看下图，我们给这个结果补上一圈0 ，做卷积运算，可以发现计算等号右边1,2,5,6 这个4个...
PyTorch中的卷积神经网络
zy的博客
03-19 1278
1 输入、输出和卷积层的维度 import torch in_channels,out_channels=5,10 width,height=100,100 kernel_size=3 batch_size=1 input=torch.randn(batch_size,in_channels,width,height) conv_layer=torch.nn.Conv2d(in_channels,out_channels,kernel_size=kernel_size) output=co..
tensorflow中strides参数
ddy_sweety的博客
06-09 2212
在二维卷积函数tf.nn.conv2d()，最大池化函数tf.nn.max_pool()，平均池化函数 tf.nn.avg_pool()中，卷积核的移动步长都需要制定一个参数strides（步长），因为无论是卷积操作还是各种类型的池化操作，都是某种形式的滑动窗口（sliding window）处理，这就要求指定从当前窗口移动下一个窗口位置的移动步长。 TensorFlow 文档关于 strid...
tensorflow实现简单的卷积网络
09-20
卷积层的计算由`conv2d`函数完成，其中参数`x`是输入张量，`W`是卷积核，`strides`表示步长，`padding`指定边缘填充策略。`tf.nn.max_pool`函数用于进行最大池化，通过选取局部区域的最大值来减小特征图的尺寸，提高...
机器学习卷积神经网络（CNN）讲解PPT
03-02
- 参数：卷积核大小、步长（Strides）、填充（Padding）影响输出特征图的尺寸和特征提取效果。 - 多通道处理：处理RGB图像时，每个通道对应一个卷积核，分别处理不同颜色的信息。 5. **池化层** - 下采样操作：...
深度学习基础笔记——卷积神经网络概念及其计算方式
MengYa_Dream的博客
08-15 1万+
卷积神经网络（Convolutional Neural Network，CNN） 卷积 卷积核 神经网络公式 卷积运算方式 补0（zero padding）池化（Pooling） 激活函数RelU (Rectified Linear Units) 全连接层(Fully connected layers) 标准卷积计算举例1 x 1 卷积计算举例 全连接层计算举例常见的几种卷积神经网络介绍 LeNet AlexNet VGGNet ResNet
论文笔记：Stride 2 1-D, 2-D, and 3-D Winograd for Convolutional Neural Networks
weixin_44600457的博客
12-13 2261
论文笔记：Stride 2 1-D, 2-D, and 3-D Winograd for Convolutional Neural Networks 一、扫盲：Winograd 算法 1. 表达式： 2. 举例：F(2×2,3×3) 注：F(m×m,r×r)，m为Output Size，r为Filter Size （1）先写成矩阵乘法，见下图 将卷积核的元素拉成一列，将输入信号每个滑动窗口中的元素拉成一行 （2）图解 （3）结论 Winograd算法的乘法次数为16（上图4×4），而直接卷积的
卷积网络（conv）中步长、填充、卷积核大小与输入输出大小的关系
lyx_323的博客
04-06 1万+
目录 1、stride =1 1）没有padding ：o = (i - k) + 1 2）有padding 半填充：输入输出一样大 o = i(卷积核是基数) 全填充 :o = i + (k - 1) 2、stride ≠1: o = [( i + 2p-k) / s] + 1 1）没有padding 2）有padding 3、统一的公式：o = [( i + 2p- k) / s] + 1 在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数...
关于keras的卷积及池化参数的问题
skylinesssss的博客
12-18 856
一. 卷积参数问题 padding=valid from keras import layers from keras import models model = models.Sequential() model.add(layers.Conv2D(filters = 10, kernel_size = (3, 3), strides = 2, padding = 'valid', act...
【转载】Keras.layers.Conv2D参数详解 搭建图片分类 CNN （卷积神经网络）
Checkmate9949的博客
08-11 7369
filters：卷积核（就是过滤器）的数目（即输出的维度） kernel_size：单个整数或由两个整数构成的list/tuple，卷积核（过滤器）的宽度和长度。（kernel n.核心，要点，[计]内核）如为单个整数，则表示在各个空间维度的相同长度。 strides：单个整数或由两个整数构成的list/tuple，为卷积的步长。如为单个整数，则表示在各个空间维度的相同步长。任何不为1的strides均与任何不为1的dilation_rata均不兼容。 padding：补0策略，为"valid", .
CNN-1.5带步长的卷积
ygl_9913的博客
11-22 951
吴恩达-CNN卷积神经网络
深度学习——卷积层+填充和步幅（笔记）
jbkjhji的博客
11-29 1701
为了得到小的输出，可以想到用大的卷积核，但在实际中通常不会太大，一般使用卷积核是5*5或者3*3.所以需要增加步幅。卷积计算移动示意图【先行后列：一行一行的按照宽度移动完后，在按照高度往下移动，然后在这个高度上继续一行一行的按照宽度移动】①首先卷积核在“1”的位置，计算出结果0.然后在按照宽度2移动到“2”的位置计算出结果是8.填充是在输入的周围添加额外的行/列。1.输出的大小跟层数是线性相关的，卷积核小的情况下，想让大图变成小图。②填充是在输入的周围额外的添加行/列，来控制输出形状的减少量。
Keras中几个重要函数用法
热门推荐
一花一世界 一叶一菩提
04-28 6万+
一般模块都需导入包： from keras.models import Sequential from keras.layers import Dense, Dropout, Activation, Flatten from keras.layers import Convolution2D, MaxPooling2D from keras.layers import Embedding, LS
请定义一个简单的卷积神经网络的卷积核类ConvKernel，用来实现每个卷积核的卷积计算和前向传播反向传播。要求如下： （1）构造函数中包含3个参数：卷积核的大小kernel_size、输入大小input_size、步长大小strides； （2）卷积运算函数包含4个参数：输入_input、权重weights、步长strides、维度_axis，方法中对矩阵情况进行描述； （3）前向传播的操作描述； （4）反向传播的操作描述。
06-03
好的，我来为您解答这个问题。 首先，我们需要定义一个简单卷积神经网络的卷积核类ConvKernel，代码如下： ```python class ConvKernel: def __init__(self, kernel_size, input_size, strides): self.kernel_size = kernel_size self.input_size = input_size self.strides = strides def convolve(self, _input, weights, strides, axis): # 卷积运算函数 pass def forward(self, _input): # 前向传播的操作 pass def backward(self, grad_out): # 反向传播的操作 pass ``` 接下来，我们来逐一讲解这个卷积核类的各个方法： 1. `__init__`方法 这个方法在类被实例化的时候会被调用，用来初始化卷积核的大小、输入大小和步长大小。具体来说，这个方法包含三个参数： - `kernel_size`：卷积核的大小； - `input_size`：输入的大小； - `strides`：步长的大小。 这个方法的实现非常简单，只需要将这三个参数存储在对象的属性中即可： ```python def __init__(self, kernel_size, input_size, strides): self.kernel_size = kernel_size self.input_size = input_size self.strides = strides ``` 2. `convolve`方法 这个方法用来实现卷积运算，包含四个参数： - `_input`：输入的矩阵； - `weights`：卷积核的权重； - `strides`：步长的大小； - `axis`：矩阵的维度。 在这个方法中，我们需要对输入的矩阵和卷积核的权重进行卷积运算，得到输出矩阵。具体来说，这个方法需要完成以下操作： 1. 根据步长和卷积核的大小计算出输出矩阵的大小； 2. 初始化输出矩阵； 3. 对输入矩阵和卷积核的权重进行卷积运算，得到输出矩阵。 这个方法的实现需要用到numpy库中的一些函数，具体实现如下： ```python def convolve(self, _input, weights, strides, axis): # 计算输出矩阵的大小 output_size = (_input.shape[axis] - self.kernel_size) // strides + 1 # 初始化输出矩阵 output = np.zeros((output_size, output_size)) # 对输入矩阵和卷积核的权重进行卷积运算 for i in range(output_size): for j in range(output_size): output[i][j] = np.sum(_input[i*strides:i*strides+self.kernel_size, j*strides:j*strides+self.kernel_size] * weights) return output ``` 3. `forward`方法 这个方法用来实现前向传播的操作。在这个方法中，我们需要将输入矩阵和卷积核的权重进行卷积运算，得到输出矩阵。具体来说，这个方法需要完成以下操作： 1. 对输入矩阵和卷积核的权重进行卷积运算，得到输出矩阵； 2. 将输出矩阵存储在对象的属性中。 这个方法的实现非常简单，只需要调用`convolve`方法，然后将输出矩阵存储在对象的属性中即可： ```python def forward(self, _input): # 对输入矩阵和卷积核的权重进行卷积运算 output = self.convolve(_input, self.weights, self.strides, self.axis) # 将输出矩阵存储在对象的属性中 self.output = output ``` 4. `backward`方法 这个方法用来实现反向传播的操作。在这个方法中，我们需要计算输出矩阵对输入矩阵和卷积核的权重的梯度，并将其传递到上一层。具体来说，这个方法需要完成以下操作： 1. 计算输出矩阵对输入矩阵的梯度； 2. 计算输出矩阵对卷积核的权重的梯度； 3. 将输入矩阵和卷积核的权重的梯度传递到上一层。 这个方法的实现需要用到numpy库中的一些函数，具体实现如下： ```python def backward(self, grad_out): # 计算输出矩阵对输入矩阵的梯度 grad_input = np.zeros(self.input_size) for i in range(grad_out.shape[0]): for j in range(grad_out.shape[1]): grad_input[i*self.strides:i*self.strides+self.kernel_size, j*self.strides:j*self.strides+self.kernel_size] += self.weights * grad_out[i][j] # 计算输出矩阵对卷积核的权重的梯度 grad_weights = np.zeros((self.kernel_size, self.kernel_size)) for i in range(grad_out.shape[0]): for j in range(grad_out.shape[1]): grad_weights += _input[i*self.strides:i*self.strides+self.kernel_size, j*self.strides:j*self.strides+self.kernel_size] * grad_out[i][j] # 将输入矩阵和卷积核的权重的梯度传递到上一层 return grad_input, grad_weights ``` 这样，我们就完成了一个简单的卷积神经网络的卷积核类ConvKernel的定义，并实现了卷积运算、前向传播和反向传播的操作。

“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 3
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