如何计算卷积神经网络参数
卷积层（Conv Layer）的输出张量的大小
- W1、H1、D1——输入图像的宽、高、深度(通道数)
- W2、H2、D2——输出卷积后特征图的宽、高、深度(通道数)
- P——padding，即图像填充零的厚度
- S——stride，步长
- F——卷积核的尺寸
- K——卷积核的个数
W 2 = W 1 − F + 2 P S + 1 W2 = { {W1 - F + 2P} \above{1pt} S} + 1 W2=SW1−F+2P+1
H 2 = H 1 − F + 2 P S + 1 H2 = { {H1 - F + 2P} \above{1pt} S} + 1 H2=SH1−F+2P+1
D 2 = K D2 = K D2=K
池化层（MaxPool Layer）的输出张量的大小
- W1、H1、D1——输入图像的宽、高、深度(通道数)
- W2、H2、D2——输出卷积后特征图的宽、高、深度(通道数
- S——stride，步长
- F——卷积核的尺寸
注：不同于卷积层，池化层的输出通道数不改变
W 2 = W 1 − F S + 1 W2 = { {W1 - F} \above{1pt} S} + 1 W2=SW1−F+1
H 2 = H 1 − F S + 1 H2 = { {H1 - F} \above{1pt} S} + 1 H2=SH1−F+1
D 2 = D 1 D2 = D1 D2=D1
学习资料：
http://cs231n.stanford.edu/slides/2016/winter1516_lecture7.pdf
扫一扫
8万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
