卷积运算
深度学习中,利用卷积核对图片提取特征已经十分常用且普遍,本文介绍经过卷积运算后的输出维度计算方法。
卷积输出维度计算
已知:
假设输入的图片尺寸:A x A
卷积核大小:K
步长Stride:S
Padding大小:P
求解:
输出的embedding维度B:B = (A + 2*P - K) / S + 1
逐步理解:
- A + 2*P (size + 2 * padding) ===> 将原图片拓展
- A + 2*P - K ===> 根据卷积核大小把最后一个抛掉
- (A + 2*P - K) / S ===> 按照步长做除法
- (A + 2*P - K) / S + 1 ===> 将第二步减掉的加回来
举例说明
5X5大小的输入图片,卷积核大小为3X3,stride = 2, padding = 1。
则经过卷积运算,输出size = (5+1*2-3)/2+1 = 3.
会输出3X3的矩阵计算值。