渣渣的TensorFlow学习笔记之strides和kernel影响尺寸变化

最新推荐文章于 2022-05-02 11:53:32 发布

qq_40373474

最新推荐文章于 2022-05-02 11:53:32 发布

阅读量894

点赞数

分类专栏： tensorflow

本文链接：https://blog.csdn.net/qq_40373474/article/details/78597285

版权

本文介绍了作者在学习TensorFlow过程中，如何理解卷积核的移动方式以及输入尺寸的变化。重点讨论了当padding为valid时，输入尺寸如何根据卷积核大小(strides)进行计算。同样，也提到了pooling层的尺寸变化规律。

摘要由CSDN通过智能技术生成

今天终于搞明白了卷积核是怎么动的，每个输入的尺寸是如何变化的。

   input_data 
  =tf.Variable(np.random.rand( 
  10, 
  9, 
  9, 
  3), 
  dtype 
  =np.float32) 
 

   filter_data 
  = tf.Variable(np.random.rand( 
  3, 
  3, 
  3, 
  2), 
  dtype 
  =np.float32) 
 

   y 
 

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

qq_40373474

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

TensorFlow学习笔记之CIFAR10与VGG13实战

weixin_45332404的博客

03-12

713

上上篇博文TensorFlow学习笔记之Fashion MNIST数据集简单分类我们学习了Fashion MINST集的简单分类，但是Fashion MINIST数据集只保存了图片灰度的信息，不适用输入为RGB三通道的网络模型，此节我们展开CIFAR10与VGG13的实战目录1 CIFAR 10数据集1 CIFAR 10介绍1.2 CIFAR10数据集的下载1.2.1 官方下载1.2.2 keras模块直接加载2 VGG132.1 选取VGG13的原因2.2 VGG部分网络结构修改2.3 VGG13.

卷积神经网络中的kernel_size修改之后对模型有多大影响

最新发布

weixin_42604188的博客

01-24

1408

卷积神经网络中的kernel_size是卷积核的大小，即过滤器的大小。当kernel_size增大时，模型可以捕捉到更大的特征，但同时会增加参数的数量和计算复杂度，并且可能导致过拟合。当kernel_size缩小时，模型可以捕捉到更细节的特征，但可能会损失一些重要信息。因此，选择合适的kernel_size对于模型的性能非常重要。 ...

参与评论您还未登录，请先登录后发表或查看评论

Tensorrt学习笔记--Tensorrt的基本知识

梦坠凡尘

02-20

4201

Tensorrt支持三个Parser Caffe Parser This parser can be used to parse a Caffe network created in BVLC Caffe or NVCaffe 0.16. It also provides the ability to register a plugin factory for custom layers. UFF...

Tensorflow中卷积的padding操作，还有Kernel-size，stride

weixin_41036461的博客

05-29

3958

链接：https://www.jianshu.com/p/05c4f1621c7e之前一直对tensorflow的padding一知半解，直到查阅了tensorflow/core/kernels/ops_util.cc中的Get2dOutputSizeVerbose函数，才恍然大悟，下面是具体的介绍实际上tensorflow官方API里有介绍！！不科学上网貌似打不开根据tensorflow中的co...

搭建网络时设置kernel_size，stride，padding的设置

weixin_42433234的博客

02-19

5559

搭建网络时设置kernel_size，stride，padding的设置

strides的理解

weixin_43265122的博客

10-06

9312

conv2 = tf.nn.conv2d(x,conv1_weights,strides=[1,1,1,1],padding=‘SAME’) 这是一个常见的卷积操作，其中strides=【1,1,1,1】表示滑动步长为1，当我们要设置步长为2时，strides=【1,2,2,1】，很多同学可能不明白，这四个参数分别代表了什么，strides在官方定义中是一个一维具有四个元素的张量，其规定前后必须...

Tensorflow2学习笔记

06-08

### Tensorflow2学习笔记 #### 一、搭建神经网络八股六步法在使用TensorFlow 2构建神经网络的过程中，通常遵循以下六个步骤来进行： 1. **Import相关包** - 首先需要导入TensorFlow和其他必要的库，例如NumPy等...

对tensorflow中的strides参数使用详解

09-18

在深度学习框架TensorFlow中，`strides`参数是执行卷积和池化操作时的关键配置项。它决定了卷积核或池化窗口在输入张量的不同维度上如何移动。本文将详细解释`strides`的工作原理及其在实际应用中的影响。首先，`...

Tensorflow 学习笔记之共享变量（Sharing Variables）

Cyiano的博客

05-23

4272

Tensorflow 学习笔记之共享变量（Sharing Variables）最近两年，谷歌撑腰的深度学习框架Tensorflow发展地如日中天，虽然17年pytorch的出现略微“打压”了一些TF的势头，但TF在深度学习界的地位还是难以撼动的，github上TF的收藏量一直稳在深度学习中前二的位置。个人在4月份开始接触TF，写分类、超分辨网络不亦乐乎。然而，最近从越来越多的TF github项目

【DL】卷积基础操作: Kernel, Padding, Stride & Column

北境の守望者

05-07

3232

Backto DeepLearning Index 一般在模型表述中，卷积操作的简写类似 k(3,3)-c512-s1-d2, 其中 k 代表 kernel(大小)， c 代表 column(层数)，s 代表 stride(步长)， d 代表 dilation(膨胀系数)。这四个是卷积操作的基本属性。 Stride Stride 其实就是一个 down-sampling 的过程。 dilati...

【TensorFlow】关于卷积和pooling层的输出维度问题和相应的参数设置

zsWang9的博客

04-16

6573

关于tensorflow shape 设置问题：整形：x_image = tf.reshape(xs,[-1,28,28,1])#-1 表示最后一行，即num_sample:样本数量#[28,28] 图片size#1 表示输出通道数卷积层：tf.nn.conv2d(x,W,strides,padding='SAME')strides步长:[1,x,y,1]strides : strides[0] ...

对于keras.layers.Conv1D的kernel_size参数的理解

热门推荐

weixin_43790560的博客

06-11

2万+

今天在用keras添加卷积层的时候，发现了kernel_size这个参数不知怎么理解，keras中文文档是这样描述的： kernel_size: 一个整数，或者单个整数表示的元组或列表，指明 1D 卷积窗口的长度。又经过多方查找，大体理解如下：因为是添加一维卷积层Conv1D()，一维卷积一般会处理时序数据，所以，卷积核的宽度为1，而kernel_size就是卷积核的长度了，这样的意思就是...

Alexnet输入大小227x227能否调整，kernel_size偶数有什么影响。

u011622434的博客

09-06

6846

前言以下是我个人遇到的一些困惑，以及自己的理解和一些验证，稍微记录一下，仅供参考。首先，我觉得，输入大小肯定是可以调的，只不过相应的每一层网络的参数都要做调整，调整后结果如何，没有验证，我这里验证只修改了输入size和输入层的一些参数，conv1之后的网络参数都不变。我不要你觉得，我要我觉得，照我说的做.......... Alexnet默认的输入227x227，最初关于224x224和...

keras 利用CNN实现手写数据分类及卷积核尺寸大小对性能影响的比较

liu24244的博客

04-29

2048

tensorflow keras 使用卷积conv2d 池化pooling之后输出的shape

weixin_43379058的博客

09-01

1887

keras和TensorFlow设置卷积层的过程中可以设置padding参数，vaild和same。“valid”代表只进行有效的卷积，对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同. 下面 W为输入大小，S为步长，F为核大小一、tensorflow 中 1.卷积在tensorflow中，conv后的shape可按照下边的公式计算 padd...

kernel_size为1的卷积核与全连接层的关系

todoooooo的博客

06-03

6788

看到有文章说kernel_size为1的卷积相当于全连接层的运算，这里简单地使用1维的卷积核证明一下输入的数据用X∈R(d,n)X \in \mathbb{R}^{(d,n)}X∈R(d,n)表示，共有nnn个数据，每个数据是ddd维。全连接层用L∈R(d,d)L \in \mathbb{R}^{(d,d)}L∈R(d,d)表示，一维的卷积用C∈R(d,d)C \in \mathbb{R}^{(d,d)}C∈R(d,d)表示，即卷积的in_channel=d, out_channel=d，CCC的行向量

感受野大小的计算

zk_ken的博客

07-18

4560

转载 http://www.cnblogs.com/objectDetect/p/5947169.html 1 感受野的概念　从直观上讲，感受野就是视觉感受区域的大小。在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。　 2 感受野大小的计算感受野计算时有下面的几个情...

tensorflow之kernel

wyg_031113的专栏

05-02

1972

kenel 接口定义加载

深度学习笔记：卷积层与反卷积层解析

深度学习是现代人工智能领域中的关键组成部分，它主要通过模拟人脑神经网络的方式来处理和学习数据。在深度学习中，卷积层是构成卷积神经网络（Convolutional Neural Networks, CNNs）的核心组件，用于特征提取。本...