神经网络：输入到输出大小公式N=(W+2P-F)/S+1的理解

于 2023-04-18 10:01:15 发布
阅读量294 收藏
点赞数 1
分类专栏： CV 文章标签： 神经网络 人工智能 深度学习
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_33859479/article/details/107067797
版权

W：输入尺寸是W，

P：做卷积从扩展了的特征图开始卷积，一定要加上padding，所以要加2P，

F：还要减去F卷积核的大小，因为卷积核是到多余的宽度要减去才能塞满整个要被卷积的特征图，最后塞满特征图的卷积核除了最前面的一列（行）后面的尺寸要减去，所以是-F+1，

S：再考虑步长，相当于一个宽度为F，步长为S的在W+2P长度上能走几步，所以要除以S，S相当于卷积核的一个隐含的宽度，S是多少卷积核就要一步占几位，最后这个+1是什么意思来着忘了

hohotiger
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
吴恩达深度学习笔记(16)-神经网络的表示与输出计算
Harpoon_fly的博客
12-01 996
神经网络的表示（Neural Network Representation） 先回顾一下我在上一篇笔记画几张神经网络的图片，在这次，我们将讨论这些图片的具体含义，也就是我们画的这些神经网络到底代表什么。 我们首先关注一个例子，本例中的神经网络只包含一个隐藏层（图1）。 这是一张神经网络的图片，让我们给此图的不同部分取一些名字。 图1 我们有输入特征x_1、x_2、x_3，它们被竖直地堆叠起来，这...
机器学习笔记（八） 神经网络的表示
为取经而来的博客
12-06 627
1.前言   前面我们讨论了线性回归、逻辑回归，当我们遇到更为复杂的分类问题时，是否有其他的选择？   举个例子，多项式回归如下所示：      得到非线性分类器：       当然这里不再是预测房价（回归问题），而是预测是否能售出（分类问题）。如果有100个独立特征，       我们任取两个特征值作为组合特征时，大约可以得到5000个特征；任选三个作为组合特征时，大约有170000个特征。  ...
计算神经网络的输出
zhuguiqin1的专栏
02-28 1万+
注，本文是在学习吴恩达老师（Andrew Ng）网易公开课课程的的学习总结和理解，希望与君共勉！神经网络的输出究竟是怎么计算出来的，你所看到的是像Logistic那样的运算过程，但是会运算很多遍。看一下这个是两层的神经网络让我们更加深入的了解神经网络到底在计算什么如上图所示每个Node都在计算两个步骤z和a把隐藏层的计算公式如上图所示，如果向量化每个值，可以得到下面的向量， ...
基本CNN输入输出大小的推导
迦小叶的博客
08-16 639
从一个例子中学会推导CNN每层输入输出的大小变化
神经网络
ice110956的专栏
03-22 2128
神经网络是常见的机器学习模型。通过模拟人类神经网络的运行方式，来达到学习的目的。 基本原理 假设如下的图为一个神经元的工作原理： 输入N维的X，每个Xi经过权重wi处理后，相加得到能量值，作为神经元的输入。如果这个能量值超过一个阈值，则神经元被激发，输出正信号。
深度学习入门-Pytorch框架前馈神经网络拟合y=sinx+exp(-x)
10-23
输入层的大小将与函数的自变量x相同，输出层的大小为1，对应于函数y的值。隐藏层可以有多个，它们包含激活函数，如ReLU或Sigmoid，这些函数能引入非线性，使网络有能力拟合复杂的函数。 开始构建神经网络时，我们...
Matlab实现BO-CNN贝叶斯优化卷积神经网络多输入单输出回归预测（完整源码和数据）
02-14
Matlab实现BO-CNN贝叶斯优化卷积神经网络多输入单输出回归预测（完整源码和数据） 1.data为数据集，输入7个特征，输出1个变量。 2.MainBO_CNN.m为程序主文件，其他为函数文件无需运行。 3.命令窗口输出MAE、MSE、...
回归预测 - MATLAB实现CNN(卷积神经网络)多输入单输出（完整源码和数据）
05-27
在本文中，我们将深入探讨如何使用MATLAB实现CNN（卷积神经网络）进行回归预测，特别是在多输入单输出的场景下。MATLAB作为强大的数学计算软件，提供了丰富的工具箱，使得构建和训练深度学习模型变得相对简单。我们...
传感器故障检测，多输入输出神经网络模型python源码+文档说明
最新发布
03-22
传感器故障检测，多输入输出神经网络模型python源码+文档说明 传感器故障检测，多输入输出神经网络模型 传感器数据使用仿真数据，共有7个输入和4个输出，分别是： CS_angle：操纵面偏转量（机翼）单位：度； F_alt...
Matlab实现BO-CNN贝叶斯优化卷积神经网络多输入单输出数据分类预测（完整源码和数据）
02-22
Matlab实现BO-CNN贝叶斯优化卷积神经网络多输入单输出数据分类预测（完整源码和数据） Matlab实现BO-CNN贝叶斯优化卷积神经网络多输入单输出数据分类预测，基于贝叶斯(Bayes)优化卷积神经网络(Bayes-CNN)数据分类...
卷积尺寸计算公式
weixin_43795765的博客
10-02 355
卷积尺寸计算公式 W’ = (W-F+2P)/S+1
【图解】神经网络各种层的输入输出尺寸计算
Michael to Learn
10-11 4362
【图解】神经网络各种层的输入输出尺寸计算 看到网上有很多计算神经网络各种层的输入输出尺寸的公式，但是往往只是直接给出公式，并没有教给我们如何得到这种公式的，自己学习的时候，做一下记录以及图解 卷积层 首先给出公式，这里肯定假设输入图像是等宽高的，用到的字母如下： 字母名称 含义 III 输入图片的大小为 I×II\times II×I KKK 卷积核的大小为K×KK\times...
神经网络模型画图工具,神经网络模型图怎么画
xilao138的博客
09-18 1150
6)计算W[S1][S0]，b[S1]；9))输出W1[S1][S0]，b1[S1]。三、总体算法1.三层BP网络(含输入层，隐含层，输出层)权值W、偏差b初始化总体算法(1)输入参数X[N][P]，S0，S1，f1[S1]，S2，f2[S2]；2.应用弹性BP算法(RPROP)学习三层BP网络(含输入层，隐含层，输出层)权值W、偏差b总体算法函数：Train3BP_RPROP(S0，X，P，S1，W1，b1，f1，S2，W2，b2，f2，d，TP)(1)输入参数P对模式(xp，dp)，p=1，2，…
卷积网络（conv）中步长、填充、卷积核大小与输入输出大小的关系
lyx_323的博客
04-06 1万+
目录 1、stride =1 1）没有padding ：o = (i - k) + 1 2）有padding 半填充：输入输出一样大 o = i(卷积核是基数) 全填充 :o = i + (k - 1) 2、stride ≠1: o = [( i + 2p-k) / s] + 1 1）没有padding 2）有padding 3、统一的公式：o = [( i + 2p- k) / s] + 1 在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数...
卷积神经网络的输入输出尺寸计算
StuTan
12-23 2685
给出输入尺寸和参数值计算输出尺寸 当给出输入时尺寸（nn）、卷积核尺寸(mm)、步长Stride(s)、填充Padding§ 信息 输出尺寸为： ( ( n - m + 2 * p ) / s +1 ) * ( ( n - m + 2 * p ) / s +1 ) 解释： [外链图片转存失败,源站可能有防盗在这里插入!链机制,建描述]议将图片上https://传(imblog.csdnimg.cn...
计算一个神经网络的输出（Computing a Neural Network's output）
一只攻城狮的博客
12-11 4194
计算一个神经网络的输出（Computing a Neural Network’s output） Note:在编程实现一个神经网络的时候，有一个注意点就是我们要记得保存每一步计算出来的zzz和aaa,以及每一步的dwdwdw、dbdbdb等，以便我们进行反向传播。 首先，回顾下只有一个隐藏层的简单两层神经网络结构： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dN...
”单层多输入单输出“BP神经网络（公式+c 代码）
热门推荐
陈三儿
08-25 1万+
上图为本文所考虑的简单的 单层多输入单输出BP神经网络。输入变量个数：n 隐含层神经元个数：k 输出变量个数：1输入变量：x 输出变量：y 期望输出：t 样本数量：m 隐含层-输入层连接权值：ωjp\omega _{jp} 隐含层神经元阀值： bjb _{j}输出层-隐含层连接权值：ωoj\omega _{oj} 输出层神经元阀值： bob _{o}隐含层 激
神经网络输入数据要求,神经网络输入输出计算
goodutils的博客
10-19 6282
基本上，神经网络是由一层一层的不同的计算单位连接起来的。我们把计算单位称为神经元，这些网络可以把数据处理分类，就是我们要的输出。
【笔记】神经网络中的一些基本原理和公式
zlsjsj的博客
04-01 1127
（1）神经网络中的神经元的输出：（2）梯度下降算法：（3）随机梯度下降：（每次训练完一个batch后，进行一次参数更新）（4）反向传播：（5）momentum：是梯度下降法中一种常用的加速技术。对于一般的SGD，其表达式为,沿负梯度方向下降。而带momentum项的SGD则写生如下形式：（6）学习率：（7）weight decay:weight decay是放在正则项（regularization...
神经网络权值更新公式w=αw+△w
11-18
神经网络权值更新公式w=αw △w是指在神经网络训练过程中，通过调整权值w来使神经网络的输出更加接近期望的输出。其中，w代表原有的权重，α代表学习率，△w代表权重的变化量。 权值更新公式中的α是一个在训练过程中固定的参数，用于控制权值的更新步长。较小的α会导致权值更新速度较慢，但是更加稳定；而较大的α可能导致权值更新过快，使得神经网络不够稳定。 △w则代表了训练过程中需要调整的权重的变化量。神经网络训练的目的是通过不断地调整权重来减小神经网络的输出与期望输出之间的误差，使得神经网络能够更好地拟合训练数据。 综合来看，权值更新公式w=αw △w是神经网络在训练过程中进行权值更新的关键公式。通过不断地调整α和△w，神经网络可以得到更好的权值，从而提高网络的性能和准确性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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