卷积层和池化层输出特征图大小的计算——以LeNet模型为例

最新推荐文章于 2024-06-03 15:02:03 发布
最新推荐文章于 2024-06-03 15:02:03 发布
阅读量7k 收藏 36
点赞数 4
分类专栏： 卷积神经网络 文章标签： 特征图大小 卷积层 池化层 LeNet
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/t18438605018/article/details/121737103
版权
1.LeNet网络模型结构本文咱们以LeNet网络为例，介绍一下，如何卷积层和池化层输出特征图的大小。LeNet算上输入层，有八层。分别是：输入层INPUT、C1卷积层、S2池化层（或者叫下采样）、C3卷积层、S4池化层（或者叫下采样）、C5卷积层、F6全连接层和最后一层输出层OUTPUT。LeNet各层，输入图像大小、卷积核大小、步长和通道数以及输出图像大小，如本图所示。2.特征图大小的计算卷积层和池化层采用不同的公式。a.卷积层a.池化层解释：OutSize为输出图像大小，
摘要由CSDN通过智能技术生成

1.LeNet网络模型结构

本文咱们以LeNet网络为例，介绍一下，如何卷积层和池化层输出特征图的大小。
在这里插入图片描述
LeNet算上输入层，有八层。分别是：输入层INPUT、C1卷积层、S2池化层（或者叫下采样）、C3卷积层、S4池化层（或者叫下采样）、C5卷积层、F6全连接层和最后一层输出层OUTPUT。

在这里插入图片描述

LeNet各层，输入图像大小、卷积核大小、步长和通道数以及输出图像大小，如本图所示。

2.特征图大小的计算

卷积层和池化层采用不同的公式。
a.卷积层
在这里插入图片描述
a.池化层
在这里插入图片描述

解释：OutSize为输出图像大

最低0.47元/天 解锁文章
做个好男人！
关注
  • 4
    点赞
  • 踩
  • 36
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
CNN详解（卷积层及下采样层）
baidu_14831657的博客
03-06 8万+
CNN详解（卷基层及下采样层） 卷积神经网络包含卷基层、批量归一化层、下采样层、全连接层等。首先来介绍卷基层和下采样层。 1、卷基层（Convolution）
动手学深度学习(PyTorch实现)(七)–LeNet模型
01-07
卷积层块里的基本单位是卷积层后接平均池化层：卷积层用来识别图像里的空间模式，如线条和物体局部，之后的平均池化层则用来降低卷积层对位置的敏感性。 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中，...
深度学习与神经网络-2
qq_45834558的博客
04-02 698
网络结构的概要：输入层：图像通常被标准化为32x32像素的灰度图像作为网络的输入。卷积层（C1）：第一层卷积层有6个卷积核（滤波器），每个卷积核大小为5x5，步长为1，通过滑窗操作对输入图像进行特征提取，输出特征图尺寸会因为有效感受野而减小至28x28。每个卷积核后面都会接一个sigmoid激活函数，增加网络的非线性表达能力。池化层（S2）：使用平均池化（pooling）操作，窗口大小为2x2，步长也为2，进行下采样，输出特征图尺寸进一步减小至14x14。
卷积神经网络中特征图大小计算公式总结
L888666Q的博客
01-16 7771
W：输入特征图的宽，H：输入特征图的高，K：卷积核宽和高，Ppadding（需要填充的0的个数），N：卷积核的个数，S：步长width_out：卷积后输出特征图的的宽，height_out：卷积后输出特征图的高。
池化层（详解）
最新发布
m0_64665859的博客
06-03 491
3.提供空间不变性：池化操作（特别是最大池化）会保留输入的最强特征响应，这意味着即使特征在空间上发生了少量偏移，池化层的输出也会保持不变。这提供了一种形式的空间不变性，对于诸如图像分类这样的任务非常有用，因为我们通常不关心特征在图像中的精确位置。最大池化是取池化窗口内的最大值作为输出，而平均池化则取池化窗口内的平均值。该层能够减少网络的计算量，防止过拟合，并提供空间不变性，这有助于提供模型的性能和泛化能力。2.防止过拟合：由于池化操作会丢弃一些信息，这可以看作是一种形式的正则化，有助于防止模型的过拟合。
神经网络之卷积层，池化层输出大小计算
AI学长
05-13 2646
设计网络卷积层的参数： （1）输入图片大小（矩形）： AA （2）卷积核大小： KK （3）步长： S （4）填充padding： p 那么卷积层的输出为： N = (A − k + 2p ) / s + 1
【CNN】卷积神经网络CNN输出特征图计算+参数量计算+计算量计算
HearMeRoar_的博客
05-17 1789
假设输入图像的宽高为input，卷积核宽高为kernel，步长stride，填充padding（单边填充值），输出特征图的宽高为output。
LeNet-5卷积/池化/全连接参数计算
qq_43168682的博客
10-25 1605
卷积/池化/全连接参数计算 以Lenet-5为例子： LeNet-5有7层： C1.卷积+激励 参数的个数为:(fitler+bias) * channel_depth S2.池化（降低参数量，降低过拟合） C3.卷积+激励 LeNet-5的核心：使用不同channel数量的卷积得到不同的feature map，为了降低计算参数(当时GPU性能不高) 如下:6个3层channel+9个4层...
LeNet-5.rar_LeNet-5模型_LeNet模型 PPT_lenet_lenet识别_神经网络
07-15
3. **池化层（Pooling Layers）**：在每个卷积层之后，有一个最大池化层，采用2x2的最大池化窗口，步长为2，目的是降低计算量，同时保持关键特征不变。 4. **全连接层（Fully Connected Layers）**：LeNet-5有两个...
手写数字识别——基于TensorFlow LeNet-5模型.zip
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...
卷积神经网络在语言识别中的应用——以江苏省方言分类为例.pdf
09-26
"卷积神经网络在语言识别中的应用——以江苏省方言分类为例" 卷积神经网络（Convolutional Neural Networks，CNN）是一种人工智能神经网络，应用于语言识别领域，特别是在江苏省方言分类中。卷积神经网络的起源可以...
深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶
01-07
本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和输出通道的含义 我们介绍卷积层的两个超参数，即填充和步幅，它们可以对给定形状的输入和卷积核改变输出形状。 二维互相关...
深度学习输入输出特征图尺寸计算&&卷积的填充方式
weixin_42620513的博客
02-24 8102
1、卷积层输入特征图(input feature map)的尺寸为：H(input)×W(input)×C(input) 依次为输入特征图的高、宽、通道数。 2、输出通道数K(即卷积核个数);正方形卷积核的边长为F;步幅(stride)为S;补零的行数和列数(padding)为P 3、输出特征图(output feature map)的尺寸为H(input)×W(input)×C(input)，则输出规格如下：H(output)=(H(input)−F+2P)/S+1 W(output)=(Winput−F
图像卷积和池化操作后的特征图大小计算方法
ZJE
12-20 3万+
一，卷积操作 若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN： 若图像为矩形：设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则： 卷积后输出图像大小： ， ， ...
Pytorch LeNet 3：网络输出可视化
星空点点
09-15 1131
Pytorch LeNet 网络输出可视化
特征图大小计算
OdayCollector的博客
09-07 767
卷积中的特征图大小计算有两种方式:‘same’ ,‘valid’ F为卷积核大小,stride为卷积步长 1.valid: 2.same: 卷积是向下取整,池化是向上取整
简明易懂——卷积神经网络的输入输出特征图大小计算
过招
10-08 2万+
???? 参考文档：《百度飞浆：零基础入门深度学习》 假设输入图片尺寸是 H×WH \times WH×W，卷积核（池化窗口）大小为 kh×kwk_h \times k_wkh​×kw​ 卷积层： 假设填充为 (ph,pw)(p_h, p_w)(ph​,pw​)，步幅为 (sh,sw)(s_h, s_w)(sh​,sw​)，则卷积层输出特征图的大小为： Hout=H+2ph−khsh+1H_{out} = \frac{H + 2p_h - k_h}{s_h} + 1Hout​=sh​H+2ph​−kh
NLP-CNN
weixin_51516836的博客
03-24 3770
卷积神经网络(特征提取) 一、可以完成的任务 1.检测任务 2.分类与检索 主要工作还是进行特征的提取。 3.超分辨率重构 4.医学任务等（OCR文字试别） 5.无人驾驶（就是识别前方道路） 6.人脸识别 区别：卷积网络与传统网络的区别 整体框架 二、卷积层 1.卷积层做了什么事 对于不同区域的得到的特征是不一样的，选择一种计算的方法，对于每一个小区域计算它应该的特征值是多少。 2.卷积特征值计算方法 三通道分别计算然后相加。（R、G、B） （蓝色和红色的）对应位置相乘！ 然后相加获得。 最终获得特
通过卷积层和池化层后输出大小怎么得出
热门推荐
qq_41670192的博客
02-01 3万+
通过卷积层与池化层后，特征图的大小怎么计算 这里引入cs231n中的课件说明一下： 卷积层：  参数：W：宽  H：高 D：深度 K：卷积核的个数 F：卷积核的大小 S：步长 P：用0填充 W/H=[(输入大小-卷积核大小+2*P）/步长]  +1.    举个例子 上图中的 output =[（7-3）+2*1]/1 +1 =7 图中也提到了padding
基于pytorch，对于给定输入，展示网络中各个卷积层和池化层输出的特征图
02-06
可以使用PyTorch中的"hooks"来实现。"hooks"可以在每个卷积层和池化层之前或之后运行自定义代码。具体实现方法如下: 1. 定义一个函数，用于处理每个卷积层和池化层的输出特征图。 2. 使用PyTorch的nn.Module的register_forward_hook()函数，将步骤1中的函数注册到每个卷积层和池化层上。 3. 输入数据并进行前向传播，这样就可以在每个卷积层和池化层的输出特征图上运行步骤1中的函数了。 示例代码: ``` import torch.nn as nn def hook_fn(module, input, output): print(module) print(output.shape) net = nn.Sequential( nn.Conv2d(3, 8, kernel_size=3, stride=1, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) handle = net[0].register_forward_hook(hook_fn) output = net(torch.rand(1, 3, 32, 32)) handle.remove() ``` 以上代码将会输出第一个卷积层的信息和其输出的特征图的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 2
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

打赏作者

做个好男人！

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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