四、卷积、转置卷积（上卷积）大小计算公式

已于 2022-12-02 12:01:30 修改
阅读量1k 收藏 3
点赞数
分类专栏： Pytorch 文章标签： 深度学习 人工智能 python
于 2022-12-02 11:47:35 首次发布
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/panchang199266/article/details/128145607
版权

卷积计算公式：

Out = (In -kernel_size + 2*padding) / stride + 1

转置卷积（上卷积）大小计算公式：

Out = (In -1)*stride -2*padding + kernel_size

案例1（转置卷积）：
1、将 1 * 1 卷积成 4 * 4

（kernel_size，stride，padding）–> （4，1，0）

2、将 4 * 4 卷积成 8 * 8

（kernel_size，stride，padding）–> （4，2，0）

3、将 8 * 8卷积成 16 * 16

（kernel_size，stride，padding）–> （4，2，1）

4、将 16 * 16 卷积成 32 * 32

（kernel_size，stride，padding）–> （4，2，1）

5、将 32 * 32 卷积成 96 * 96

（kernel_size，stride，padding）–> （5，3，1）

案例2（卷积）：
1、将 96 * 96 卷积成 32 *32

（kernel_size，stride，padding）–> （5，3，1）

2、将 32 *32 卷积成 16 * 16

（kernel_size，stride，padding）–> （4，2，1）

3、将 16 * 16卷积成 8 * 8

（kernel_size，stride，padding）–> （4，2，1）

4、将 8 * 8 卷积成 4 * 4

（kernel_size，stride，padding）–> （4，2，0）

5、将 4 * 4卷积成 1 * 1

（kernel_size，stride，padding）–> （4，1，0）

咸鱼最牛逼
关注
专栏目录
卷积、可分离卷积、转置卷积（反卷积）
qq_44936246的博客
10-24 1476
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
转置卷积详解
热门推荐
August-us的博客
03-14 2万+
转置卷积详解   前面文章对卷积做了讲解，感觉既然重新整理，就将系列概念整体做个梳理，也算是将自己知道的所有东西拿来献丑把。   转置卷积(Transposed Convolution)是后来的叫法，一开始大家都是称逆卷积/反卷积(Deconvolution)，这个概念是在图像分割任务中被提出来的，图像分割需要逐像素的操作，对每一个像素做一个分割，将其归类到不同的物体当中。   这个任务大家很自然...
【pytorch】ConvTranspose2d的计算公式
计算机研究生
11-02 1万+
感谢来源：https://zhuanlan.zhihu.com/p/39240159 class torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_...
卷积与转置卷积
susansmile1014的博客
08-29 3104
当正向卷积步长不为1时（常常可能为2），转置卷积步长为： 转置卷积填充由正向卷积的卷积核和填充决定：   转置卷积的核和正向卷积一样：转置卷积的输出公式：         转置卷积又称微步卷积(“微步”的含义指：新的步长为1，而之前的步长为2，使得转置卷积的滑窗处理相比较卷积的“小”。)，可以视作传统卷积操作的一种“逆向”传递过程；并且，转置卷积受“正向”卷积的参数约束,即步长stride和零填充...
卷积（Convolution）与转置卷积(Convolution Transposed)
geter_CS的博客
11-30 819
要注意转置卷积有点类似卷积的反向传播，并不是等价于反向传播。因为转置卷积只是恢复了原图的size而没有恢复其值。 卷积 如下上图所示输入是5∗55*55∗5的，卷积核是3∗33*33∗3，然后pading是0，stride是1。卷积过程如第二幅图所示。根据计算公式(W−F+2P)/S+1(W-F+2P)/S+1(W−F+2P)/S+1，有(5−3+2∗0)/1+1(5-3+2*0)/1+1(5−...
转置卷积的计算
weixin_38241876的博客
04-21 1339
ConvTranspose2d转置卷积输出大小计算
lllllliiiii_blog
08-13 1144
转置卷积
转置卷积transpose convolution
lzp_k2的专栏
12-12 3203
参考： A guide to convolution arithmetic for deep learning.(Vincent Dumoulin, Francesco Visin).[https://arxiv.org/abs/1603.07285] 中文：https://zhuanlan.zhihu.com/p/48501100 1概念 转置卷积就是用卷积矩阵的转置矩阵进行卷积。...
卷积、池化、上采样、融合、反卷积、转置卷积、图层大小与参数的计算
qq_41815009的博客
09-03 1301
卷积、池化、上采样、融合、反卷积、转置卷积、图层大小与参数的计算。 1、如下代码，包含卷积、池化、上采样、融合、反卷积、转置卷积。 import keras import numpy as np from keras.layers import Conv2D,Dense,Flatten,BatchNormalization,Activation,Input,UpSampling2D from ke...
理解转置卷积与空洞卷积
咔咔响
08-28 1170
前两篇我们对卷积层的原理和实现做了一些介绍。这一节我们来深入了解两个常用的卷积——转置卷积和空洞卷积。传送门：卷积核的基本概况转置卷积利用神经网络去生成图片，通察情况下是从低像素、粗糙的图...
卷积与转置卷积运算后的尺寸计算
CSDN_CQD的博客
06-24 261
在这里插入代码片
ESP8266加LED做一个闪光灯
weixin_45442198的博客
06-25 2435
代码如下（示例）：/* 文件名称：blink.ino 功能：ESP8266闪灯示例*/ #define PIN_LED 5 //5是端口D1 #define KEY_FLASH 13void setup() { //设置PINLED为输出模式 pinMode(PIN_LED, OUTPUT); //初始关闭LED灯 di
反卷积（转置卷积）Conv2DTranspose 输出的尺寸大小
weixin_39393430的博客
05-10 1474
keras的Conv2DTranspose The size of the input feature map: (N, N) Conv2dTranspose(kernel_size=k, padding, strides=s) padding=‘same’ ，输出尺寸 = N × s padding=‘valid’，输出尺寸 = (N-1) × s + k
深度学习基础：卷积与转置卷积、计算量与参数量、argparse库、信息熵(KL散度及交叉熵)、hook机制、top_k和AvgrageMeter函数（持续更新）
qq_43307824的博客
07-18 1728
深度学习模型基础知识汇总（持续更新）
常规卷积,膨胀卷积,转置卷积之后的图像大小计算
整理输出各类知识
05-31 3095
1.概述 看了吴恩达老师的深度学习课程，里面有提到卷积网络的大小计算方式，就记录一下，顺便以pytorch代码实现验证一下。 2.普通卷积 记图像尺寸为n∗nn*nn∗n，卷即核尺寸为f∗ff*ff∗f，步长为sss,padding大小为ppp,输出的尺寸大小为(n+2p−fs+1)∗(n+2p−fs+1){({{n+2p-f} \over s}+1 )}*{({{n+2p-f} \over s}+1 )}(sn+2p−f​+1)∗(sn+2p−f​+1) 令n=224,f=3,s=1,p=1n=224,f
转置卷积理论解释（输入输出大小分析）
罟霖同学的站点
07-05 1494
转置卷积的理论解释和输入输出大小的分析推导。
转置卷积详解（原理+实验）
秃头小苏的博客
10-13 3657
​   如果你按照我的步骤试了试，可能会发出一些吐槽，这也太麻烦了，我只想计算一下经过转置卷积后特征图的的变化，即知道输入特征图尺寸以及k、s、p算出输出特征图尺寸，这步骤也太复杂了。函数来封装一个转置卷积过程，可以看到我们的输入为[[1,2],[0,1]]，卷积核为[[1,0,1],[1,1,0],[0,0,1]]，采用k=3,s=2,p=0进行转置卷积。函数，这个函数定义的是一个正常的卷积，输入是理论第2步得到的特征图，卷积核是第三步翻转后得到的卷积核，经过卷积后输出结果如下：结果和前面的一致。
8--转置卷积
garbage回收中心
09-01 786
卷积核汇聚等方法都是下采样，会使得图像变小，卷积导致的图像变小是为了提取特征，而池化下采样是为了降低特征维度。但在像素级分类的语义分割中，需要使得输入和输出图像维度相同，但在卷积神经网络中空间空间维度（图片的高和宽）会变小，这里可以使用转置卷积这类上采样方法来增加特征图的空间维度。.........
关于pytorch中的转置卷积参数认识
qq_39861441的博客
11-16 701
转置卷积的输出大小是 out=(inut-1)*stride-2*padding+kernelsize 一开始我感觉很疑惑，padding不是应该增大输出的大小吗？为么反而会让它减小。后来看了一下公式，我觉得，此处的padding 对应的是卷积时原本图像大小上加上padding所得的，所以反卷积时，就变成负数了。 可能是错的，目前还在调代码阶段，等以后正式上研，一定疯狂补理论！...
转置卷积输入输出计算公式
最新发布
04-24
转置卷积的输入输出计算公式如下： \begin{equation} y_{i,j,k}=\sum_{h=0}^{r-1}\sum_{w=0}^{s-1}\sum_{c=0}^{C_{out}-1}w_{h,w,c,k}x_{s(i-1)+h+1,s(j-1)+w+1,c} \end{equation} 其中，$x$ 是输入特征图，$y$ 是...
评论
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