卷积神经网络图像的尺寸和参数计算

相信很多同学搞机器学习的时候,每一步卷积池化以后,对图片的尺寸和大小很迷茫,不知道如何计算的。
这里,我给大家分享几个公式,帮助大家理解。不明白的欢迎在下方留言。

1、卷积层(Conv Layer)的输出张量(图像)的大小

定义如下:

O=输出图像的尺寸。

I=输入图像的尺寸。

K=卷积层的核尺寸

N=核数量

S=移动步长

P =填充数

输出图像尺寸的计算公式如下:
在这里插入图片描述

2、池化层(MaxPool Layer)的输出张量(图像)的大小

定义如下:

O=输出图像的尺寸。

I=输入图像的尺寸。

S=移动步长

PS=池化层尺寸

输出图像尺寸的计算公式如下:
在这里插入图片描述
有了上诉公式以后,我特地跑到b站看了相关视频,套入公式后,发现和我们的理解一样。
在这里插入图片描述

3、全连接层(Fully Connected Layer)的输出张量(图像)的大小

全连接层输出向量长度等于神经元的数量。
全连接层也有自己的权重,权重就是parameters的数量
在这里插入图片描述
parent的数量计算如下
在这里插入图片描述

发布了70 篇原创文章 · 获赞 12 · 访问量 9783
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 黑客帝国 设计师: 上身试试

分享到微信朋友圈

×

扫一扫,手机浏览