TensorFlow———输入层到卷积层的尺寸的变化

最新推荐文章于 2020-12-08 03:25:17 发布
最新推荐文章于 2020-12-08 03:25:17 发布
阅读量860 收藏
点赞数
分类专栏： Tensorflow
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_42214953/article/details/94597865
版权

输入层到卷积层在过滤器步长不为1的情况下，会引起尺寸的缩小。这时候有些人就很难对卷积层的尺寸进行判断。

假设：

OUTlongth代表输出层的长度。

OUTwidth代表输出层的宽度。

INlength代表输入层的长度。

INwidth代表输入层的宽度。

FILTERlength和FILTERwidth分别代表过滤器的长和宽。

STRIDElength和STRIDEwidth分别代表过滤器在长度和宽度上移动的步长。

在有全0填充的时候有：

不使用全0填充的时候有：

WolfOnTheWay
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
tensorflow卷积运算的输入
weixin_47532216的博客
11-18 221
  输入shape为：batch_shape + [in_height, in_width, in_channels] 。为了学习宽和高具体指什么？通过屏幕分辨率(screen resolution)进行进一步的学习：
tensorflow卷积神经网络的卷积操作
snailYWW的博客
01-24 418
卷积神经网络的一些知识： import tensorflow as tf import numpy as np a=np.array([[1,1,0,1],[0,0,0,0]]) b=a.reshape(2,2,1,2)#input batch为2，通道为1时 ，输出果然是2*3*3*2 filter=tf.Variable(b,dtype=tf.float32) a1=np.arange(3
tensorflow2.1学习--熟悉TensorFlow写整个项目即鸢尾花项目
进击的菜鸟
07-07 1310
# -*- coding: UTF-8 -*- # 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线 # 导入所需模块 import tensorflow as tf from sklearn import datasets from matplotlib import pyplot as plt import numpy as np # 导入数据，分别为输入特征和标签 x_data = datasets.load_iris().data y_data = datasets.load_ir.
tensorflow2.2自定义层
csdnhuizhu的博客
06-05 344
1.most TensorFlow APIs are usable with eager execution.
卷积神经网络中的filter是怎么工作的
终结大笨狗的博客
10-12 3万+
首先，写这个文档的原因是因为我转载了一篇文章，不会编辑。擦。。。。 首先收输入层是毛东西？     就是输入的图像，有可能是三通道的有可能是单通道的。    比如28*28*1或者28*28*3 分别代表的是大小为28*28，通道数分别为单通道和三通道的图片 其次，什么是filter呢    filter的最大的特点是其深度与输入层的深度是一致的。输入层是单通道，filter也是
pytorch神经网络之卷积层与全连接层参数的设置方法
09-18
全连接层的作用是将前面卷积层得到的特征向量映射到分类或回归所需的输出维度。在AlexNet中，全连接层用于进行高维特征的处理，最后输出类别概率。 总结来说，PyTorch中的卷积层参数设置主要涉及输入和输出通道数、...
手写数字识别——基于TensorFlow LeNet-5模型.zip
最新发布
03-29
LeNet-5由几个主要部分组成：输入层、两个卷积层、两个最大池化层、一个全连接层和一个输出层。卷积层用于提取图像特征，池化层用于减小数据尺寸并保持关键特征，全连接层则用于分类。 三、TensorFlow与LeNet-5模型...
tensorflow实战项目——使用自定义训练集打造图片识别应用
06-09
在模型结构中，包括卷积层、池化层、全连接层，最后是输出层。选择合适的损失函数（如交叉熵）和优化器（如Adam），并设置学习率。通过`model.compile`和`model.fit`进行模型编译和训练。 **五、模型测试** 训练...
TensorFlow 2 学习笔记——从底层函数解析到Keras应用（小白入门）
12-21
CNN广泛应用于图像识别、物体检测等领域，其中卷积层捕获局部特征，池化层降低计算复杂度，批标准化和舍弃有助于模型泛化。 在训练过程中，学习率的选择至关重要，它决定了参数更新的幅度。合适的激活函数（如ReLU...
TensorFlow2 学习——图像分类
12-22
- 模型通常由`Sequential`模型或者函数式API构建，包含输入层、隐藏层（如卷积层、池化层、ReLU激活函数等）和输出层。 - 模型编译包括损失函数选择（如交叉熵）、优化器选择（如Adam）和评估指标（如准确率）。 ...
python cnn代码_卷积神经网络CNN与基于MNIST的Python代码示例
weixin_39777967的博客
12-08 1204
卷积神经网络入门学(1)作者：hjimce卷积神经网络算法是n年前就有的算法，只是近年来因为深度学习相关算法为多层网络的训练提供了新方法，然后现在电脑的计算能力已非当年的那种计算水平，同时现在的训练数据很多，于是神经网络的相关算法又重新火了起来，因此卷积神经网络就又活了起来。在开始前，我们需要明确的是网上讲的卷积神经网络的相关教程一般指的是神经网络的前向传导过程，反向传播都是用梯度下降法进行训练，...
TensorFlow卷积后的尺寸变化
thisiszdy的博客
02-18 906
1.卷积后尺寸计算 out_height=(in_height+2padding-filter_height)/strides[1]+1 out_width=(in_width+2padding-filter_width)/strides[2] +1 2.TensorFlow中卷积参数same和valid运算之后的维度计算 (1)‘SAME’ out_height=ceil(float(in_he...
Tensorflow入门--------计算卷积后的特征图尺寸
梦的漂流瓶的博客
07-17 2万+
     在卷积神经网络设计网型的时候，需要对卷积核和池化层进行参数设置。有三个重要的参数，首先是卷积核的大小，其次是设置步长（padding）的大小，最后是是否采用padding。这几个因素直接影响了卷积、池化后的特征图的大小，对于网络形状的设计非常重要的参数。本博客将针对这三个参数进行解释，并且利用tensorflow进行结论的实验。 一、卷积核     卷积核这个东西比较好理解，就是卷积...
Tensorflow实现一个完整的卷积神经网络
热门推荐
Microstrong
05-18 3万+
（一）卷积神经网络结构+最终的识别精度。用Tensorflow实现一个完整的卷积神经网络，用这个卷积神经网络来识别手写数字数据集（MNIST）。我们先来看看实现的卷积神经网络结构如下图所示：接着，我们再来看看实现的这个卷积神经网络，在MNIST数据集中的测试集上的精度。我用了两种优化训练方法，对模型训练了1000次，在训练1000的过程中，每隔50次进行一次模型的精度测试。（1）批量梯度下降法（B...
TensorFlow卷积层的四种写法
自在独行的博客
04-27 1339
转载自: https://github.com/AIspeakeryhl/tensorflow-/blob/master/%E5%8D%B7%E7%A7%AF%E5%B1%82 卷积层 卷积核，一般用5*5或3*3 输出通道一般为64或128 #输入为3通道，输出为64通道，一共几个卷积核？ ...
快速理解卷积神经网络的输入输出尺寸问题
zjj
04-15 2万+
一般一个神经网络的一层包括一个卷积和一个池化，这里主要讲述对输入和输出的尺寸的理解： 一、卷积 首先input输入矩阵，weight权值矩阵（滤波器）如下图429是由weight与input对应位置相乘再相加得到。 然后是步长stride和边界padding 像我们在上面看到的一样，过滤器或者说权值矩阵，在整个图像范围内一次移动一个像素。我们可以把它定义成一个超参数，从而来表示我们想让...
tensorflow 1.0：卷积层的书写
x_uhen的博客
09-14 431
1.0版本中的卷积函数:tf.layers.conv2d： conv2d(     inputs,     filters,     kernel_size,     strides=(1, 1),     padding='valid',     data_format='channels_last',     dilation_rate=(1, 1),     activation=None...
tensorflow入门之---------图像大小调整
梦的漂流瓶的博客
07-19 7324
在深度学习的过程中，往往对输入图像的大小需要进行一个调整，特别是对于拥有全连接层的神经网络，因为全连接层的节点数是固定的。因此，为了满足全连接层的一个输入的要求，我们可以利用tensorflow自带的函数来进行图像大小的调整。 总体来说一共有三个函数。原始图像大小为1242*375. 一、tf.image.resize_images（image，shape，method） 一共有三个参数，第...
计算卷积后尺寸
xuan_zizizi的博客
11-21 1万+
这里单独把计算卷积之后的维度的公式拿出来，方便查看 1.卷积后尺寸计算 out_height=(in_height+2pad-filter_height)/strides[1]+1 out_width=(in_width+2pad-filter_width)/strides[2] +1 2.tensorflow中卷积参数same和valid运算之后的维度计算 (1)same out_
tensorflow的卷积层
10-09
TensorFlow中的卷积层是用于处理图像和其他2D数据的常用层。它主要用于提取输入数据的局部特征，通过在输入数据上滑动一个可学习的滤波器（卷积核）来实现。以下是使用TensorFlow创建卷积层的基本步骤： 1. 定义输入张量：首先，您需要定义一个输入张量来表示待处理的数据。这可以是一个图像、特征图或其他2D数据。 2. 定义卷积核：接下来，您需要定义一个卷积核作为卷积操作的参数。卷积核是一个小的二维张量，它包含一些可学习的权重。 3. 创建卷积层：使用TensorFlow的`tf.keras.layers.Conv2D`类可以创建一个卷积层。您可以指定卷积核的数量、大小、步幅、填充等参数。 4. 运行卷积操作：将输入张量传递给卷积层，然后通过调用`call`方法执行卷积操作。该方法将返回一个特征图，其中每个值对应输入数据中的一个局部特征。 5. 参数学习：在训练过程中，卷积层中的权重将根据模型的损失函数进行更新，以便自动学习有助于任务的特征。 下面是一个示例代码片段，展示了如何使用TensorFlow创建一个简单的卷积层： ```python import tensorflow as tf # 定义输入张量（假设输入是一张28x28的灰度图像） input_shape = (28, 28, 1) inputs = tf.keras.Input(shape=input_shape) # 创建卷积层 num_filters = 32 kernel_size = (3, 3) conv_layer = tf.keras.layers.Conv2D(num_filters, kernel_size, activation='relu', padding='same') # 执行卷积操作 outputs = conv_layer(inputs) # 打印输出特征图的形状 print(outputs.shape) ```

“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
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