在卷积的过程中,卷积核大小
k
e
r
n
e
l
_
s
i
z
e
kernel\_size
kernel_size,填充
P
a
d
d
i
n
g
Padding
Padding,步长
S
t
r
i
d
e
Stride
Stride。都会影响卷积输出的维度。假设输入维度为
H
∗
W
∗
C
H*W*C
H∗W∗C,卷积核的大小为
k
k
k,填充值为
p
p
p,步长为
s
s
s,则输出特征图的维度为
H
′
∗
W
′
∗
C
′
H'*W'*C'
H′∗W′∗C′,参数量为:
k
2
×
C
×
C
′
+
C
′
k^2\times\ C\times\ C'+C'
k2× C× C′+C′
H
′
=
H
+
2
p
−
k
s
+
1
H'=\frac {H+2p-k}{s}+1
H′=sH+2p−k+1
而当计算池化操作时,参数量为0,且由于没有padding操作,则:
H
′
=
H
−
k
s
+
1
H'=\frac {H-k}{s}+1
H′=sH−k+1
特别的:
当计算尺寸不被整除时,卷积向下取整,池化向上取整。(只在GoogLeNet中遇到过。)
[AI算法][深度学习]:卷积神经网络中卷积和池化特征图的维度变化(不能被整除问题)
于 2020-05-13 19:10:15 首次发布