卷积层各种计算

最新推荐文章于 2024-05-29 11:25:24 发布

肖飒风

最新推荐文章于 2024-05-29 11:25:24 发布

阅读量2.8k

点赞数 1

分类专栏：深度学习文章标签：深度学习卷积神经网络

本文链接：https://blog.csdn.net/m0_37799466/article/details/103566560

版权

深度学习专栏收录该内容

23 篇文章 1 订阅

订阅专栏

1.卷积层尺寸的计算原理
输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数。
输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。
权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）
输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系
卷积核的输入通道数（ $in_{depth}$ ）由输入矩阵的通道数所决定。
输出矩阵的通道数（ $out_{depth}$ ）由卷积核的输出通道数所决定。
输出矩阵的高度和宽度（ height,width ）这两个维度的尺寸由输入矩阵、卷积核、扫描方式所共同决定。计算公式如下：
$height_{out}=(height_{in}-height_{kernel}+2\ast padding)/stride+1$

$width_{out}=(width_{in}-width_{kernel}+2\ast padding)/stride+1$
2.卷积参数量计算
参数量是参与计算参数的个数,占用内存空间；假设输入通道和输出通道分别为 $c_{in},c_{out}$ ，核大小为（k,k） (k,k) ，输入特征图大小为 $(h_{in},w_{in})$ ，输出特征图大小为 $(h_{out},w_{out})$ ，考虑偏置，不补0的卷积,其参数量为：
$args=(c_{in}\ast (k\ast k)+1)\ast c_{out}$
3.参数计算次数
前面计算的是一次卷积核计算完的参数量，参数一共计算的次数就是输出特征图的尺寸大小，其中MAC包含一次乘法和一次加法，即MAC(Multiply Accumulate)，：

$MAC=((c_{in}\ast (k\ast k))\ast c_{out})\ast (h_{out}\ast w_{out})$
4.浮点运算量

浮点运算量指总的计算量，即FLOPs (floating point operations)，其因为每一次计算都有乘法和加法两次运算，即一个MAC需要两次运算，故FLOPs计算方式如下：
$FLOPs=((c_{in}\ast (k\ast k)\ast 2)\ast c_{out})\ast (h_{out}\ast w_{out})$

肖飒风

关注

1
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
卷积层各种计算

1.卷积层尺寸的计算原理输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数。输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系...
复制链接

扫一扫

专栏目录