标准卷积、深度可分离卷积和分组卷积的参数量与计算量和感受野大小计算

最新推荐文章于 2024-05-02 02:26:42 发布
最新推荐文章于 2024-05-02 02:26:42 发布
阅读量3.7k 收藏 22
点赞数 1
文章标签： 卷积 神经网络 网络 深度学习 计算机视觉
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_39987519/article/details/107177190
版权
一、特征图尺寸计算方法Wout=(Win+2∗Padding−F)/Stride+1 W_{out} = (W_{in} + 2*Padding-F)/Stride+1Wout​=(Win​+2∗Padding−F)/Stride+1其中，Wout为输出特征图的宽度大小，Win为输入特征图的宽度大小，F为卷积核大小，Stride为卷积滑动步长，Padding为输入特征图填充的圈数。例如，输入12×12×3 （特征图大小为12×12，通道数为3），经过卷积核大小为5×5，Padding=0，Stride
摘要由CSDN通过智能技术生成

一、特征图尺寸计算方法

W o u t = ( W i n + 2 ∗ P a d d i n g − F ) / S t r i d e + 1 W_{out} = (W_{in} + 2*Padding-F)/Stride+1 W

最低0.47元/天 解锁文章
Jiraiya90
关注
  • 1
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
分组卷积计算量_深度学习卷积参数量，图像输出尺寸，感受野的计算
weixin_39665762的博客
01-17 410
深度学习卷积参数量，图像输出尺寸，感受野的计算，是针对我之前一篇博客的一些单独抽离和总结，方便复习文章目录0. 网络中卷积乘法次数和加法次数1. 分组卷积2. 深度可分离卷积3. 卷积后输出的图像尺寸4. 空洞卷积5. 感受野的计算感受野计算例1感受野计算例20. 网络中卷积乘法次数和加法次数K × K {K}\times{K}K×K的卷积核，在一次卷积的过程中，运用K 2 K^{2}K2次的乘法...
卷积、池化计算总结（输出维度、计算量、参数量）
m0_73954489的博客
11-13 2163
$
深度可分离卷积网络的理论与实战（TF2.0）
12-20
1、深度可分离卷积网络的理论 深度可分离卷积是普通卷积操作的一个变种，它可以替代不同卷积，从而构成卷积神经网络。 以精度损失为代价去换取计算量的减少和参数量的减少，从而使得深度可分离卷积网络可以在手机端运行。 用右图的结构代替左图： 它的好处是，有不同尺寸的视野域， 如下图是Inception V3的结构：从左到右的视野域为：1*1,3*3,6*6,5*5，在这四个分支上有4种不同的视野域，4种不同的视野域也就提取出了4种不同尺寸的图像特征。最后输出的信息就更丰富，效果更好。并且相对于不做分支时会提高效率，减少计算量。 深度可分离卷积也是一种分支的网络结构，只不过它的分支建立在不同通道之上
普通卷积、分组卷积和深度分离卷积概念以及参数量计算(1)
最新发布
m0_54853787的博客
05-02 13
运算量：分组卷积分组卷积则是对输入feature map进行分组，然后每组分别卷积。
深度可分离卷积与传统卷积的区别
slamer111的博客
09-07 4140
深度可分离卷积
普通卷积、分组卷积和深度分离卷积概念以及参数量计算
AI浩
01-26 8440
Google提出了移动端模型MobileNet，其核心是采用了深度可分离卷积，其不仅可以降低模型计算复杂度，而且可以大大降低模型大小，适合应用在真实的移动端应用场景。这篇文章带你了解一下什么是普通卷积、分组卷积和深度分离卷积，以及如何计算参数量。 上面的图片展示了普通卷积和分组卷积的不同，下面我们通过具体的例子来看。 普通卷积 标准卷积运算量的计算公式： FLOPs=(2×C0×K2−1)×H×W×C1 {FLOPs }=\left(2 \times C_{0} \times K^{2}-1\right)
深度可分离卷积参数量、计算量分析
qq_34425255的博客
03-20 535
分析：标准卷积的乘法计算量，只看乘法，首先输出的feature map里面，每一个元素都代表了一次卷积，所以输出有多少个feature map元素，就对应了进行了多少次卷积，红色里面就是feature map的元素个数，再乘以一次卷积的乘法次数，一次卷积其实就是卷积核的长宽乘以卷积核的通道，卷积核的感受野（蓝色里面），所以这是标准卷积一次卷积的乘法计算量，而参数量就是卷积核的长宽乘通道，再乘以N个卷积核。所以深度可分离卷积可以把参数量缩减为原来的N分之一，N往往是很大的数，比如N是256、512。
轻量化混合（卷积和transformer）网络，发论文的热点
02-03
卷积神经网络（CNN）和Transformer在深度学习领域都是至关重要的模型，分别擅长捕捉局部相关性和全局上下文信息。随着视觉Transformer（ViT）的出现，研究者们开始探索将这两种结构融合，以构建轻量化混合网络，兼顾...
卷积神经网络与深度学习教学.pptx
12-03
卷积神经网络（CNN）是深度学习领域的重要组成部分，它主要设计用于图像处理任务，但也可应用于音频、视频和文本等其他数据类型的分析。CNN 的核心特性在于其卷积层、池化层以及全连接层。 卷积层是CNN的核心，它的...
深度学习——卷积神经网络
01-20
- **池化层**通常用于减少计算量和防止过拟合，它对输入数据进行下采样。最大池化选取窗口内的最大值，平均池化则取平均值。 - PyTorch中的`nn.MaxPool2d`可以实现最大池化，指定池化窗口大小、步幅和填充。 4. ...
轻量金字塔解码结构的单目深度估计网络
04-30
在解码端提出了一种轻量金字塔解码模块，采用深度空洞可分离卷积和分组卷积以提升感受野范围，同时减少了参数量，并且采用金字塔结构融合不同感受野下的特征图以提升解码模块的性能；此外，在解码模块之间增加跳跃...
感受野特征增强的SSD目标检测算法
05-06
该算法将不同层及不同尺度的特征图以轻量级的方式相融合，下采样层生成新的特征图，通过引入感受野模块，提高网络的特征提取能力，增强特征的表征能力和鲁棒性.和传统SSD算法相比，本文算法在精度上有明显提升，同时...
常规-分组-深度分离-分组深度分离卷积-参数量-计算量-dilation-python实现
wj199992的博客
09-27 747
常规 ，分组，深度分离，分组深度分离卷积参数量和计算量以及python实现
标准卷积 & 深度可分离卷积 & 分组卷积的参数个数计算和计算代价
梦坠凡尘
10-18 3168
假设： 输入feature map是一个尺寸为 Wi * Hi，输入通道数为Ci的张量X， 输出feature map是一个尺寸为Wo * Ho，输出通道数为Co的张量Y， 假设核张量是K，其形状为Co * Ci * Wk * Hk 那么参数数量为： Wk * Hk * Ci * Co 参数数量只跟卷积核大小（Wk * Hk * Ci）和卷积核个数有关 Because 卷积操作是共享权重 计算代价...
卷积，池化，深度可分离卷积——输出特征图计算，感受野计算，计算量，参数量
^_^
08-06 4006
1. 卷积和池化的输出特征图的大小计算公式一样，如下： 2. 感受野(Receptive Field)：卷积神经网络每一层输出的特征图上的一个像素点在原始图像上映射的区域的大小，计算公式如下(N_RF为当前层感受野，（N-1)_RF为前一层感受野)： (...
【深度学习】各种神经网络层和模块的计算量和参数量估计总结
fengdu78的博客
07-13 378
前言算法模型落地的一个重要考量就是在满足业务场景内存占用、计算量等需要的同时，保证算法的性能。本文总结了共七个类别的神经网络的计算量和参数量的估计方法，总的来说就是：减少参数，降低精度，融合计算单元步骤。作者：DengBoCong@知乎来源丨https://zhuanlan.zhihu.com/p/342668070仅用于学术分享，若侵权请联系删除Github：本文代码放在该项目中：NLP相关...
图解AI：各种类型的卷积-标准卷积、反卷积、可分离卷积、分组卷积等
BigDream123的博客
06-02 4055
一、卷积的基本属性 卷积核（Kernel）：卷积操作的感受野，直观理解就是一个滤波矩阵，普遍使用的卷积核大小为3×3、5×5等； 步长（Stride）：卷积核遍历特征图时每步移动的像素，如步长为1则每次移动1个像素，步长为2则每次移动2个像素（即跳过1个像素），以此类推； 填充（Padding）：处理特征图边界的方式，一般有两种，一种是对边界外完全不填充，只对输入像素执行卷积操作，这样会使输出特征图的尺寸小于输入特征图尺寸；另一种是对边界外进行填充（一般填充为0），再执行卷积操作，这样可使输出特征图的
yolov5轻量化改进深度可分离卷积
09-05
对于Yolov5的轻量化改进，可以采用深度可分离卷积来减少模型的参数量和计算量。深度可分离卷积是将传统的卷积操作分解为深度卷积和逐点卷积两个步骤。 在Yolov5中，可以将传统的3x3卷积替换为深度可分离卷积。深度可分离卷积将输入的通道逐通道分解为多个通道，并在每个通道上进行3x3的卷积操作，然后再将各个通道的结果进行逐点相加得到最终的输出。 这种改进可以减少模型中需要学习的参数量，同时降低计算量，从而实现轻量化。同时，深度可分离卷积在一定程度上保持了原始卷积操作的感受野大小和特征提取能力，因此可以在不过多损失性能的情况下减小模型的规模。 需要注意的是，在使用深度可分离卷积时可能会引入一定的信息损失，因此需要在轻量化和准确性之间进行权衡。可以通过调整深度可分离卷积的通道数、网络结构等参数来平衡模型大小和性能。

“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 1
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