CNN中卷积层参数量与输出特征图(feature map)尺寸的计算公式

深度学习 专栏收录该内容
2 篇文章 0 订阅
  1. 卷积层输入特征图(input feature map)的尺寸为: Hinput×Winput×Cinput H i n p u t × W i n p u t × C i n p u t
    1. Hinput H i n p u t 表示输入特征图的高
    2. Winput W i n p u t 表示输入特征图的宽
    3. Cinput C i n p u t 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:
    1. 输出通道数为 K K
    2. 正方形卷积核的边长为F
    3. 步幅(stride)为 S S
    4. 补零的行数和列数(padding)为P
  3. 输出特征图(output feature map)的尺寸为 Houtput×Woutput×Coutput H o u t p u t × W o u t p u t × C o u t p u t ,其中每一个变量的计算方式如下:
    1. Houtput=(HintputF+2P)/S+1 H o u t p u t = ( H i n t p u t − F + 2 P ) / S + 1
    2. Woutput=(WinputF+2P)/S+1 W o u t p u t = ( W i n p u t − F + 2 P ) / S + 1
    3. Coutput=K C o u t p u t = K
  4. 参数量大小的计算,分为weights和biases:
    1. 首先来计算weights的参数量: F×F×Cinput×K F × F × C i n p u t × K
    2. 接着计算biases的参数量: K K
    3. 所以总参数量为:F×F×Cinput×K+K
  • 9
    点赞
  • 1
    评论
  • 37
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

©️2021 CSDN 皮肤主题: 像素格子 设计师:CSDN官方博客 返回首页
实付
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、C币套餐、付费专栏及课程。

余额充值