这里单独把计算卷积之后的维度的公式拿出来,方便查看
1.卷积后尺寸计算
out_height=(in_height+2pad-filter_height)/strides[1]+1
out_width=(in_width+2pad-filter_width)/strides[2] +1
2.tensorflow中卷积参数same和valid运算之后的维度计算
(1)same
out_height=ceil(float(in_height)/float(strides[1]))
out_width=ceil(float(in_width)/float(strides[2]))
(2)valid
out_height=ceil(float(in_height-filter_height+1)/float(strides[1]))
out_width=ceil(float(in_width-filter_width+1)/float(strides[2]))
(3)参数
padding: SAME和VALID两种形式
filter: [5,5,1,32]表示5*5的卷积核,1个channel,32个卷积核。
strides: [1,4,4,1]表示横向和竖向的步长都为4
3.tensorflow里面的tf.pad函数
虽然在卷积过程中有same选项可选,但是tensorflow里面还有一个可以用于填充的函数tf.pad(),具体用法如下:
tf.pad(tensor, paddings,mode='CONSTANT',name=None)
padings : 是一个张量,代表每一维填充多少行/列
mode : “CONSTANT” ,”REFLECT”,”SYMMETRIC”
“CONSTANT” 填充0
“REFLECT”是映射填充,上下(1维)填充顺序和paddings是相反的,左右(零维)顺序补齐
“SYMMETRIC”是对称填充,上下(1维)填充顺序是和paddings相同的,左右(零维)对称补齐
4.关于tensorflow中的max_pool()中的padding的含义
(1)先给出代码
import tensorflow as tf
import numpy as np
x = tf.placeholder(tf.float32, shape=(1, 500, 500, 3))
#print(type(image))
y1 = tf.nn.max_pool(x, [1, 3, 3, 1], [1, 3, 3, 1], padding = 'VALID')
y2 = tf.nn.max_pool(x, [1, 3, 3, 1], [1, 3, 3, 1], padding = 'SAME')
with tf.Session() as sess:
a = np.full((1, 500, 500, 3), 2)
sess.run(tf.global_variables_initializer())
b = sess.run(y1, feed_dict={x: a})
c = sess.run(y2, feed_dict={x: a})
print(b.shape) # Will succeed.
print(c.shape) # Will succeed.
(2)结果
(1, 166, 166, 3) #valid
(1, 167, 167, 3) #same
从结果可以看出:
对于padding=’VALID’, 166 = math.floor(500/3)
对于padding=’SAME’, 167 =math.ceil(500/3)
------------------------------------------
原文:https://blog.csdn.net/xuan_zizizi/article/details/78589022