卷积与反卷积的padding设置与尺寸计算

最新推荐文章于 2022-04-28 16:29:37 发布
最新推荐文章于 2022-04-28 16:29:37 发布
阅读量854 收藏 4
点赞数 1
分类专栏： 问题与解决
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/langtaosha1996/article/details/106847003
版权

参考https://blog.csdn.net/qq_41368247/article/details/86626446

由于卷积核滑动过程中，边界情况的不确定，使得在运算步长大于1的反卷积时会出现多种合法输出尺寸，pytorch的反卷积层提供了output_padding供使用者选择输出，一般情况下我们希望输入输出尺寸以步长为比例，因此output_padding一般取stride-1，同时padding取 (kernel_size - 1)/2 。

torch.nn.Conv2d

输出大小: (W − kernel_size + 2*padding )/stride+1

反卷积的尺寸计算

torch.nn.ConvTranspose2d

 

淘尽黄沙后
关注
专栏目录
卷积与反卷积尺寸变化
juluwangriyue的博客
10-25 465
卷积与反卷积尺寸变化1、卷积尺寸变化2、反卷积尺寸变化 符号约定： 输入尺寸（input）：iii 卷积核大小（kernel size）：kkk 步幅（stride）： sss 边界扩充（padding）： ppp 输出尺寸（output）：ooo 1、卷积尺寸变化 卷积过程示例如图1所示，蓝色方块为输入，绿色方块为输出，灰色方块为卷积核。经过卷积计算，输出尺寸计算公式： o=[i+2p−ks+1](1)o =[\frac{i+2p-k}{s}+1] \tag1o=[si+2p−k​+1](1) 注释：
Pytorch中的卷积与反卷积(conv2d和convTranspose2d)
qq_40107571的博客
12-18 2195
Pytorch中的卷积与反卷积详解(conv2d和convTranspose2d)
PyTorch中反卷积的用法详解
01-20
pytorch中的 2D 卷积层 和 2D 反卷积层 函数分别如下： class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, groups=1, bias=True) class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, bias=True) 我不禁有疑问： 问题1： 两个函数的参数为什么几乎一致呢？ 问题2： 反卷积
反卷积原理 + pytorch反卷积层参数output_padding
qq_35912099的博客
10-27 238
反卷积原理 + pytorch反卷积层参数output_padding_T-Jhon的博客-CSDN博客_pytorch 反卷积
[卷积] [步长] [尺寸] 设置Padding以实现下采样率的控制（shape、size、conv、conv2d、stride、不变、下采样、下采样率、尺寸、H、W、膨胀卷积、空洞卷积、池化）
Le0v1n 的博客
04-28 1361
介绍了如何在自己设计网络时保证输出特征图形状不变
卷积padding之后的特征图的大小
weixin_44885180的博客
04-18 645
简介 卷积之后的尺寸大小计算公式为： 输入图片大小 W×W Filter大小 F×F 步长strides S padding的像素数 P 输出大小为NxN 我们可以得出 \large N= \tfrac{W-F+2*P}{S}+1 （公式1） 长宽不等时，卷积之后的计算公式也
深度学习笔记_基本概念_逆卷积的详细解释ConvTranspose2d（fractionally-strided convolutions)
惊鸿一博
08-09 916
1.首先先定义进行卷积的参数： 输入特征图为高宽一样的Hin*Hin大小的x 卷积核大小kernel_size 步长stride padding填充数(填充0) 输出特征图为Hout*Hout大小的y 计算式子为： Hout = floor(Hin + 2*padding - kernel_size / stride) + 1 2.然后实现上面的卷积的转置卷积 定义其参数为： 输入特征图为高宽一样的Hout*Hout大小的y 卷积核大小kernel_size 步长str...
卷积与反卷积关系超详细说明及推导（反卷积又称转置卷积、分数步长卷积）
dugudaibo的博客
10-19 1万+
  以 CNN 为代表的卷积神经网络在图像的相关领域得到了较为长足的发展。在 CNN 中卷积实际分类两大类，一种是卷积，另一种是转置卷积（transposed convolutional ），或者称为分数步长卷积（ fractionally strided convolutional layers），亦或者是反卷积（deconvolution）。   虽然在一些文章中将反卷积与转置卷积认为是等价的...
卷积、可分离卷积、转置卷积（反卷积）
qq_44936246的博客
10-24 1477
卷积 卷积层的结构参数 卷积核大小（Kernel Size）：定义卷积操作的感受野。 步幅（Stride）： 定义卷积核遍历图像时的步幅大小。其默认值通常设置为1。设置大于1的值后对图像进行下采样，这种方式类似池化操作。 边界扩充（Padding）： 定义了网络层处理样本边界的方式。当卷积核大于1且不进行边界扩充，输出尺寸将相应缩小；当卷积核以标准方式进行边界扩充，则输出数据的空间尺寸将与输入相等。 输入与输出通道（Channels）： 构建卷积层时需定义输入通道I ，并由此确定输出通道O 。这样，可算出每
深度学习--卷积运算输出尺寸计算
root_clive的博客
04-25 5314
CNN处理图片的时候，原图片经过卷积之后尺寸会发生变化，本文总结了卷积之后图片尺寸的变化规律。 1、图片的宽和高在卷积过程中的尺寸变化规律是一致的，因此用的图片来分析，卷积核的尺寸为，两个方向上的步长均为，补零的数量(padding)为，这里的是在某一维度上总的padding数量。 如下图中绿色部分是图片，黄色部分是padding，因此下图所示的图片尺寸是，padding数量在水平维度上等于2...
深度学习笔记（三十）CNN的Padding及卷积步长Stride
我的技术栈碎碎念空间
02-10 2505
文章目录一、直接卷积运算的缺点二、Padding三、两种卷积方式四、卷积步长Stride五、互相关（cross-correlation）和卷积（convolution）的技术说明 一、直接卷积运算的缺点 如果图像是n×nn\times nn×n，过滤器是f×ff \times ff×f，那么卷积运算的结果是(n−f+1)×(n−f+1)(n-f+1)\times (n-f+1)(n−f+1)×(n−f+1) 随着一次次卷积运算的进行，图像会越来越小，如果神经网络深度很大，图像可能变得特别特别小。 覆盖边缘
padding后面跟了两个参数怎么理解
qq_51764183的博客
11-03 1519
问题描述 之前在用Conv2d这个函数的时候padding这个参数都是设置为一个整数，但是最近遇到了这样一行代码。如图所示 大家可以看到在上面的卷积函数中，padding后面跟的不再是一个具体的整数，而是接了一个元组（元组中数据类型依旧是整数）。当padding只是一个整数时大家应该能明白，在这里就不赘述，所以分享一下我自己对于这样一个操作的一些实验及其理解。 相关理解 实验是检验真理的唯一标准，所以话不多说，直接上实验的截图。 这里首先我先设出了一个维度为4的tensor——a，用来模拟我们平常的输入
pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数 out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride=1, #卷积步长，就是卷积操作时每次移动的格子数 padding=0, #原图周围需要填充的格子行（列）数 output_padding=0, #输出特征图边缘需要填充的行（列）数，一般不设置 groups=1, #分组卷积的组数，一般默认设置为1，不用管 bias=Tru
当padding为“SAME” 和 “VALID”卷积层输出尺寸的大小的计算
穿拖鞋的都是大佬
10-15 3293
我们32323的图像，用553的卷积核在图像上滑过 计算如图所示（多通道图计算请自行脑补）： 卷积之后的尺寸大小计算公式为： 其中：输入图片大小 W×W Filter大小 F×F 步长strides S padding的像素数 P 输出大小为NxN 在实际操作时，我们还会碰到 padding的两种方式 “SAME” 和 “VALID”，padding = “SAME”时，会在图像的周围填 “0”，padding = “VALID”则不需要，即 P=0。一般会选“SAME”，以来减缓图像变小的速度，二
卷积层输出大小尺寸计算及padding为 “SAME” 和 “VALID”的计算
weixin_40964777的博客
04-22 8417
简介 卷积之后的尺寸大小计算公式为： 输入图片大小 W×W Filter大小 ...
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算
m0_54487331的博客
01-20 1万+
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算1. stride步幅2. padding填充3. channel通道4. 计算及例子总结： 1. stride步幅 stride：卷积时的采样间隔 设置步幅的目的是希望减小输入参数的数目，减少计算量。stride参数的值就是缩小的倍数，比如步幅为2，就对输入的特征图做2倍下采样，注意步幅并不代表输出时输入的1stride\frac{1}{stride}stride1​ 2. padding填充 padding：在输入特
ConvTranspose2d（逆卷积）的原理和计算
AI浩
02-09 1万+
原理 解释什么是逆卷积，先得明白什么是卷积。 先说卷积：对于一个图片A，设定它的高度和宽度分别为Height，Width，通道数为Channels。 然后我们用卷积核（kernel * kernel）去做卷积，（这里设定卷积核为正方形，实际长方形也可以类推，相信我，不会很难），步长为stride(同样的，不区分高宽方向)，做padding。卷积后得到B。 重复上面的话就是利用一个卷积操作将A变成B。 那么，在这个前提下，逆卷积就是将B变成A。 那么怎么规定卷积核这些参数呢，这些又是什么意思？ 对于
反卷积 逆卷积 转置卷积(Transposed Convolution；Fractionally Strided Convolution；Deconvolution) 输出维度shape计算
热门推荐
心之所向
02-27 1万+
正常卷积运算： 如上图：4x4的输入，卷积Kernel为3x3, ,输出为2x2。其计算可以理解为： 输入矩阵展开为4*4=16维向量，记作x 输出矩阵展开为2*2=4维向量，记作y 卷积核C为如下矩阵： 卷积运算可表示为y = Cx（可以对照动图理解），而卷积的反向传播可以如下，相当于乘以C^T 反卷积运算： 如上图：2x2的输入，卷积Kernel为3x3, ,输出为4x4。如果
pytorch反卷积计算公式
最新发布
09-24
反卷积计算的公式如下： output = (input - 1) * stride - 2 * padding + kernel_size + output_padding 其中，input表示输入的大小，stride表示步长，padding表示填充，kernel_size表示卷积核的大小，output_padding表示输出的填充大小。
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