tensorflow中的padding/卷积核大小/feature map大小

最新推荐文章于 2022-05-14 11:51:14 发布
最新推荐文章于 2022-05-14 11:51:14 发布
阅读量419 收藏
点赞数
分类专栏： tensorflow 文章标签： tensorflow  padding
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/qq_29007291/article/details/81455596
版权

记录一下
W: 原图尺寸
F：滤波器尺寸
P：padding大小（指单边padding大小）
S：stride

卷积后的尺寸是：
⌊ ( W − F + 2 P ) / S + 1 ⌋ \lfloor (W − F + 2P )/S+1 \rfloor ⌊(W−F+2P)/S+1⌋ × ⌊ ( W − F + 2 P ) / S + 1 ⌋ \lfloor (W − F + 2P )/S+1 \rfloor ⌊(W−F+2P)/S+1⌋， ⌊   ⌋ \lfloor \, \rfloor ⌊⌋表示向下取整

冬日and暖阳
关注
专栏目录
Tensorflow入门--------计算卷积后的特征图尺寸
梦的漂流瓶的博客
07-17 2万+
     在卷积神经网络设计网型的时候，需要对卷积核和池化层进行参数设置。有三个重要的参数，首先是卷积核的大小，其次是设置步长（padding）的大小，最后是是否采用padding。这几个因素直接影响了卷积、池化后的特征图的大小，对于网络形状的设计非常重要的参数。本博客将针对这三个参数进行解释，并且利用tensorflow进行结论的实验。 一、卷积核     卷积核这个东西比较好理解，就是卷积...
Tensorflow(1.15.0)卷积操作
weixin_45394002的博客
05-17 446
#-*- codeing = utf-8 -*- #@Time :2021/5/17 10:33 #@Author :Onion #@File :Convolution.py #@Software :PyCharm # 卷积神经网络Demo # 步骤 # 1：定义输入变量 # 2：定义卷积核变量 # 3：定义卷积操作 # 4：运行卷积操作 import tensorflow as tf tf.compat.v1.disable_eager_execution() tf.compat.v1.disable
tensorflow中卷积层尺寸计算
weixin_45790559的博客
03-22 465
卷积神将网络的计算公式为：N=(W-F+2P)/S+1 其中N：输出大小 W：输入大小 F：卷积核大小 P：填充值的大小 S：步长大小 下面举个例子看一下： 卷积一层的几个参数: in_channels=3:表示的是输入的通道数，由于是RGB型的，所以通道数是3. out_channels=96:表示的是输出的通道数，设定输出通道数的96（这个是可以根据自己的需要来设置的） kernel_siz...
【TensorFlow】卷积神经网络的参数设置与例子
qq_41581769的博客
11-07 1319
一、卷积操作参数的简要说明 如上图所示，假设我们有3232的RBG图片，也就是神经网络的 input 是 32323，表示输入是一个有3个图层的3232的图片。   假设现在有一个 55的 filter处理一个3232的图层，那么处理后的输出就是一个2828的图层。现在总共有3个图层，filter需要覆盖这三个图层，因此对于32323的input，filter需要设置为 553，表示是一个深度为...
Tensorflow中两种Padding运算方式
固本培元的专栏
07-25 3226
原文：  https://blog.csdn.net/jiandanjinxin/article/details/77519629 边界补充问题 原始图片尺寸为7*7，卷积核的大小为3*3，当卷积核沿着图片滑动后只能滑动出一个5*5的图片出来，这就造成了卷积后的图片和卷积前的图片尺寸不一致，这显然不是我们想要的结果，所以为了避免这种情况，需要先对原始图片做边界填充处理。在上面的情况中，我们需要...
CNN中卷积核大小、池化以及padding对输入图像大小的影响
小柴不会敲代码
05-14 5813
我们发现在不使用padding操作时，经过卷积操作后，输出图像比输入图像小一点。 为保证输出图像的大小不变，我们可以使用padding操作： conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1) pool1 = nn.MaxPool2d(2) conv2 = nn.Conv2d(16, 8, kernel_size=3, padding=1) pool2 = nn.MaxPool2d(2) output1 = conv1(img.unsqueeze(
Tensorflow中的padding操作
a563562675的博客
03-05 720
Tensorflow中的padding操作 tensorflow中的卷积操作（tf.nn.conv2d()）和池化操作（tf.nn.maxpool()）中都有一个参数padding, 可以设置为"SAME"和”VALID"。 说明 输入feature map大小为 i*i 输出feature map大小为 o*o padding大小为 p 卷积核大小为 k*k 步长strides为 s 卷积层...
宏观理解TensorFlow中两种padding方式“SAME”和“VALID”
织席贩履之辈
05-25 446
多次被困在padding的选择上，网上有很多解释，有的说VALID就是padding=0，还有的说SAME就是维持卷积后的featuremap和卷积前的featuremap大小一样。 这些说法其实都不够准确，下面具体谈谈我的理解。 VALID的字面意思就是有效性，所以设计它的目的就是告诉卷积操作只对原图像的pixel进行卷积，如果最右边或最下边余下的pixels不能满足卷积核(stride>1)该方向的下一次滑动操作，则放弃掉该方向下一次滑动及其对应的卷积操作。具体计算公式如下： new_width
TensorFlow 1.2.0中conv2d卷积操作详解
通过实例来解释，文章首先演示了一个基础场景，即使用1x1的卷积核对3x3的单通道图像进行卷积，这将得到同样大小的featuremap。接着，文章扩展到多通道情况，即用一个1x1的卷积核处理五通道的图像，这会根据输入通道...
caffe和tensorflow中padding区别
松林古韵
10-13 2733
本文参考：http://blog.csdn.net/xiaoyezi_1834/article/details/50786363; http://www.jianshu.com/p/05c4f1621c7e caffe中的卷积与padding操作： Caffe中的卷积计算是将卷积核矩阵和输入图像矩阵变换为两个大的矩阵A与B，然后A与B进行矩阵相乘得到结果C（利用GPU进行矩阵相乘的
记录使用tensorflow实现大卷积核卷积的代码
u011529752的博客
11-24 831
#-*- coding:utf-8 -*- import tensorflow as tf import cv2 import numpy as np import matplotlib.pyplot as plt ## read img ##### tm_path = '/home/wdh/pytorch-CycleGAN-and-pix2pix1_run/datasets/maps_0/test
TensorFlow卷积后的尺寸变化
thisiszdy的博客
02-18 927
1.卷积后尺寸计算 out_height=(in_height+2padding-filter_height)/strides[1]+1 out_width=(in_width+2padding-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_he...
tensorflow 卷积：设定特定卷积核
wzg2016的博客
08-27 6982
有时想用tensorflow的conv2d的卷积操作，实现一些特定的滤波操作，如patch求和、计算梯度等，这时可以通过设计特定的卷积核来实现功能。 先看tf.nn.conv2d的各个参数： tf.nn.conv2d (input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None) 参数...
关于TensorFlow的卷积函数conv2d的参数解释
qq_34782535的博客
02-24 8429
一、卷积操作原理 卷积运算 虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cross-correlation）运算。在二维卷积层中，一个二维输入数组和一个二维核（kernel）数组通过互相关运算输出一个二维数组。 我们用一个具体例子来解释二维互相关运算的含义。如图5.1所示，输入是一个高和宽均为3的二维数组。我们将该数组的形状记为 3×3 或（3，3...
深度神经网络TensorFlow基础学习（3）——卷积神经网络的参数个数和张量大小
weixin_44991673的博客
03-29 2382
今天，我们来分享一篇博文，关于如何计算图像张量的大小以及确定卷积神经网络各层参数个数的公式。假设我们已经熟悉了卷积神经网络相关概念。在这里，我们把张量定义为有任意通道数的图像。 我们将用AlexNet作为例子，在这里我们把AlexNet的结构拿来参考。 在这里，我们先来了解AlexNet的结构 输入层：彩色图片的大小2272273 卷积层1：96 kernels 11*11 步长4 零边距填充...
使用TensorFlow实现卷积与反卷积详细过程
fruit的博客
03-24 6069
卷积操作 tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 除去name参数用以指定该操作的name，与方法有关的一共五个参数： input： 指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channe...
TensorFlow卷积、池化操作API 及卷积核个数和不同池化的比较
闲逸的炫鹰
12-10 1845
卷积操作API 普通卷积 tf.nn.convlution(input, filter, padding, strides=None, dilation=None, name=None, data_format=None) 二维卷积 tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None...
tensorflow和pytorch中卷积和池化的参数差别及特征图大小计算公式
weixin_42046792的博客
07-17 904
Tensorflow： tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=True, data_format=“NHWC”, dilations=[1,1,1,1], name=None)) input: 输入的要做卷积的数据体，要求是一个Tensor filter:卷积核，要求也是一个Tensor, shape= [filter_height, filter_width, in_channels, out_channels,其中
tensorflow人工设置常量卷积核
最新发布
07-27
在 TensorFlow 中，可以使用 `tf.constant()` 函数创建一个常量张量，并将其作为卷积核传递给卷积层。以下是一个示例代码来说明如何设置常量卷积核： ```python import tensorflow as tf # 创建一个常量卷积核 ...
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