1.3 卷积层的输出尺寸、参数量和计算量
- 卷积层的输出尺寸:
o u t p u t = [ ( i n p u t − f i l t e r S i z e + 2 ∗ p a d d i n g ) / s t r i d e ] + 1 output=[(input−filterSize+2∗padding)/stride]+1 output=[(input−filterSize+2∗padding)/stride]+1
- output:输出特征图大小
- input:输入特征图大小
- filterSize:卷积核大小
- padding:填充
- stride:步长
注:向下取整。
例如,Caffe和Pytorch会放弃输入特征图的左侧和上侧的一部分数据,使得卷积核滑动窗恰好到达最右下角的点。
-
参数量
卷积层的参数量取决于
-
每个卷积核的参数量(filterSize×输入特征图的通道数)
-
卷积核的个数(卷积核的个数=输出特征图的通道数)
参数总量 = f i l t e r S i z e × 输入特征图的通道数 × 输出特征图的通道数(卷积核个数) 参数总量=filterSize×输入特征图的通道数×输出特征图的通道数(卷积核个数) 参数总量=filterSize×输入特征图的通道数×输出特征图的通道数(卷积核个数)
-
-
计算量
卷积层的计算量由卷积核在每个滑动窗内的计算量以及整体的滑动次数决定。
-
每个滑动窗内的计算量:在每个滑动窗内,卷积操作的计算量大约为filterSize×输入特征图的通道数
-
卷积核的滑动次数=输出特征图的数据个数=输出特征图的通道数×Output
整体计算量 = f i l t e r S i z e × 输入特征图的通道数 × 输出特征图的通道数 × O u t p u t 整体计算量=filterSize×输入特征图的通道数×输出特征图的通道数×Output 整体计算量=filterSize×输入特征图的通道数×输出特征图的通道数×Output
-
参考文献:
《百面深度学习》 诸葛越 江云胜主编
出版社:人民邮电出版社(北京)
ISBN:978-7-115-53097-4
2020年7月第1版(2020年7月北京第二次印刷)