Tensorflow中conv2d的两种padding方式(SAME与VALID)选择以及与Pytorch中对比

说明

自己的学习总结,参考了其他一些博客并加上了自己的一些理解,所以有部分直接复制的内容变量表示会不同(侵删),如有谬误,欢迎指正

基础知识

变量表示

输入图片的宽和高:i_w 和 i_h
输出特征图的宽和高:o_w 和 o_h
过滤器的宽和高:f_w 和 f_h
宽和高方向的步长:s_w 和 s_h
宽和高方向总的补零个数:pad_w 和 pad_h
顶部和底部的补零个数:pad_top 和 pad_bottom
左部和右部的补零个数:pad_left 和 pad_right

padding参数的作用是决定在进行卷积或池化操作时,是否对输入的图像矩阵边缘补0。

计算公式

正卷积

在正卷积时,一般我们希望卷积输入形状为输出形状的几倍,例如输入 256_256,输出 128_128,所以 o_w = i_w / s_w,又有 o_w = (i_w - f_w + pad_w) / s_w + 1, 所以可以得出 pad_w = f_w - s_wpad_h 类推。

反卷积

同理,在反卷积时,我们希望卷积输出形状为输入形状的几倍,例如输入 8_8,输出 256_256,所以 o_w = i_w * s_w,又有 o_w = i_w * s_w + f_w - s_w - pad_w, 所以可以得出 pad_w = f_w - s_w 不变,pad_h 类推。

SAME和VALID解释

VALID:边缘不填充

VALID方式就是这个单词的意思,也就是不进行填充,对于多出来的数据,直接丢掉

向上取整是为了1/strides_width一定是取1,这里的“1”是因为filter即使一步不动,原本也会有一步的输出

输入宽和高的公式分别为:
output_width=(in_width-filter_width+1)/strides_width #(结果向上取整)
output_height=(in_height-filter_height+1)/strides_height #(结果向上取整)

等价于:
output_width=(<
  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“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 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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