卷积的步长计算公式

最新推荐文章于 2022-07-19 20:46:46 发布

doubi常常喝可乐

最新推荐文章于 2022-07-19 20:46:46 发布

阅读量6.3k

点赞数 3

文章标签：深度学习 tensorflow 机器学习神经网络

本文链接：https://blog.csdn.net/doubi7/article/details/112343543

版权

本文详细解析了TensorFlow中卷积操作中Valid和Same两种padding方式，通过实例演示如何计算不同输入尺寸下，使用11x11卷积核、4x4步长时，图像输出尺寸的变化。包括计算公式和实际应用案例，帮助理解这两种模式对输出尺寸的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

输入图片尺寸： W*W。
Filter（卷积核）尺寸：F*F。
步长 S（Stride）。
padding（填充）的像素数P，P=1就相当于给图像填充后图像大小为W+1 *W+1

padding的方式通常有两种：Valid和Same，前者不对图像进行补零扩充，后者进行补零扩充。

输出图片的大小为N * N。

$N=\left \lfloor \frac{W-F+2P}{Step} \right \rfloor+1$

-------------------------------------------------------------------------------------------------------------------------------

tensorflow中

valid方式，N=（W-F+1）/ S
Same方式, N=W / S
N结果取向上整

-------------------------------------------------------------------------------------------------------------------------------

例如：输入100x100分辨率的灰度图像

卷积核（11,11），步长（4,4）,padding:Valid

(100-11+1)/4=22.3

向上取整，N=23

卷积后图像大小23x23

padding：Same

N=100/4=25

卷积后图像：25x25

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

doubi常常喝可乐

关注关注

3
点赞
踩
18

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

计算机视觉：卷积步长(Stride)

huanfeng_AI的博客

06-25

1786

卷积操作中的步长（Stride）是指卷积核在图像上移动的步长。步长的大小直接影响卷积操作的结果和特征图的尺寸。在卷积操作中，步长的大小可以通过调整卷积核的移动步长来实现。例如，当步长为1时，卷积核每次移动一个像素；当步长为2时，卷积核每次移动两个像素，以此类推。步长的大小对卷积操作的结果和特征图的尺寸有着重要的影响。当步长较小时，卷积操作可以更加细致地提取图像特征，但是特征图的尺寸会变大，导致计算量增加。

Line Search Method 1 - 步长计算 (Step length calculation)

dymodi的专栏

11-20

5950

本文是一系列关于 Numerical Optimization 的博客的第一篇，主要讨论 Line Search Method 中步长 α\alpha 的计算。该系列博客以 Nocedal 的 Numerical Optimization 一书（2006年第二版，下面简称“该书”）为主题，讨论书中的内容，并结合自己的仿真进行更生动形象的解释。

2 条评论您还未登录，请先登录后发表或查看评论

卷积步长（strided convolutions）

csdn_xmj的博客

04-27

8667

来源：Coursera吴恩达深度学习课程卷积中的步长（strided convolutions）是另一个构建卷积神经网络的基本操作，具体看下面一个例子。如果你想用3×3的过滤器卷积这个7×7的图像，和之前不同的是，我们把步幅设置成了2。第一次计算你还和之前一样取左上方的3×3区域的元素的乘积，再加起来，最后结果为2×3 + 6×1 + 3×(-1) + 3×4 + 6×0 + 4×0 + 7×4 + 9×2 + 8×3 =91。第二次计算注意一下左上角（蓝色圆圈），这个点移动到其后两格的点，跳.

卷积计算

木之本樱的博客

02-22

911

卷积计算 kernel = 卷积核大小 padding = 填充边的大小 stride = 步长设输入矩阵的大小为X * X，输出矩阵的大小为K * K 卷积计算公式为输出矩阵K = [(X - kernel + padding x 2) / stride] + 1 ...

卷积核的计算公式

coder

10-29

2万+

卷积层：参数：W：宽； H：高；D：深度； K：卷积核的个数； F：卷积核的大小； S：步长； P：用0填充卷积后输出：W或H=[(输入大小-卷积核大小+2*P）/步长] +1. 不能整除时，一般去掉小数部分取整，如4.5，则取4 比如输入： 32 * 32 卷积核大小： 5 * 5 卷积核个数： 6 Padding : 0 步长： 1 则输出为：（...

卷积公式

weixin_38549773的博客

01-12

1975

卷积： (图像大小-卷积核 +2padding) / 步长+1 反卷积：步长*（图像大小-1） + 卷积核大小-2padding 池化：（图像尺寸-卷积核尺寸）/步长 +1

CNN中卷积和池化计算公式

08-27

1万+

卷积计算公式 1、卷积层输入特征图(input feature map)的尺寸为：H(input)×W(input)×C(input) H(input)表示输入特征图的高 W(input)表示输入特征图的宽 C(input)表示输入特征图的通道数（如果是第一个卷积层则是输入图像的通道数，如果是中间的卷积层则是上一层的输出通道数 2、卷积层的参数有如下几个输出通道数为K 正方形卷积核的边长为F ...

卷积，步长，padding计算公式

热门推荐

vinco的博客

11-29

4万+

上图展示的是CNN卷积神经网络中卷积的过程，定义输入矩阵为I (n×n)，卷积核为F (f×f)，输出矩阵为 O : 则卷积的过程为：Conv(I,W)=O 对于卷积，由浅入深三种形式， Convolution operation without padding: filter, 单格平移，新图片缩小 Convolution operation with padding： paddi...

通过输入维度、卷积核、步长计算输出维度

happy game

04-09

2764

一、Padding = VALID 对于VALID = (W-F+1)/S 其中：W表示输入数据维度，F表示卷积核维度，S为步长即卷积核每次移动距离例：输入一个 28*28*1 的数据，卷积核为 6个3*3，步长为1，采用Padding = VALID计算其输出维度？根据公式得：(28-3+1)/1 = 26 所以得到的输出维度为：26*26*6 （6是卷积核的个数）二、Padding = SAME 对于SAME = W/S 其中：W表示输入数据维度，F表示卷积核维度，S为步长即卷积核

卷积神经网络的计算

qq_43894221的博客

07-19

985

CNN

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

2万+

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...

深入浅出最优化(2) 步长的计算方法

weixin_43441742的博客

05-07

1万+

在上节中本教程介绍了迭代搜索的基本步骤。考虑基本步骤中的每一步的基本元素：步长、下降方向和终止准则，其中终止准则是我们已经明确给出的，而步长和下降方向可以是任意的。但任意并不代表随机，一个随机的迭代搜索算法是无法保证收敛性的。步长和下降方向需要我们针对每一步搜索到的点的情况来求解，不仅要保证算法的收敛性，还要使得算法具有尽可能快的收敛速度。在本节中本教程将介绍迭代搜索过程中步长的计算方法，而下降...

卷积神经网络中卷积核核步长的大小

诚朴勇毅

11-15

5727

卷积神经网络最具特色的地方在于引入了卷积层，这使得数据量降低，进而在计算能力核内存有限的情况下能够实现深层的网络。卷积核的操作是受生物启发的，它具有局部感知功能。卷积核的Size代表感受野的大小，卷积核的步长度代表提取的精度：例如：Size为3的卷积核，如果step为1，那么相邻步感受野之间就会有重复区域，重复区域是两列的数据；如果step为2，那么相邻感受野的重复区域会更少；；如果step为3，那么相邻感受野之间没有重复区域；如果step大于3，那么相邻步感受野之间会有一道大小为1的缝隙，从某

图像卷积尺寸计算

weixin_34197488的博客

01-26

210

输入图像大小为：W*W 卷积核大小为：F*F stride步长大小为：S*S padding 大小为：P*P 卷积之后的尺寸为N*N N=(W-F+2P)/S+1 转载于:https://www.cnblogs.com/code-wangjun/p/10325141.html...