感受野理解与卷积输出

卷积神经网络中感受野的详细介绍_Microstrong-CSDN博客_感受野​​​​​​​j

下采样：卷积输出后的图片尺寸大小：

Output=(Input +2p-k)/s +1

上采样：Output=(Input -1）*s+k-2p

input:输入图片尺寸

k:卷积核大小

s:步长

p的定义见下：

padding = “VALID”：（不补0）
P=0
padding = “SAME”：（补0）

1.卷积核为奇数
        Filter=1x1时，P=0；
        Filter=3x3时，P=1；
        Filter=05x5 时，P=2，以此类推。
        P=（F-1）/2

2.卷积核的尺寸为偶数时：
        Filter=6x6时，P1=【6-1/2】向上取整，P2=【6-1/2】向下取整；

3.tensorflow官网给出了另一种计算方式，也是正确的：
padding = “SAME”时：
        N是 W/S后像上取整
        例如：
        输入图片大小 W×W=5x5；Filter大小 F×F=3x3；步长strides=2 输出大小为NxN，
        5/2=3，那么N等于3
        同样根据最开始那个公式：N=（5-3+2*1）/2+1=3

padding = “VALID”时：

        同样向上取整，N=（5-3+1）/2=2
        同样用最开始那个公式：N=（5-3）/2+1=2