tf.nn.conv2d中padding=same规则介绍

本文介绍了在TensorFlow的卷积操作tf.nn.conv2d中,如何使用padding='SAME'进行边缘填充,详细解析了填充规则,并通过实例验证了计算方法。内容包括VALID和SAME两种情况的计算,以及不同填充数量对输出的影响。
摘要由CSDN通过智能技术生成

由于项目需要需要自己实现卷积算法的逻辑,下面介绍padding填充规则,并且可以用最后面的数据进行简单的验证。

padding属性的意义是定义元素边框和元素内容之间的空间。

在tf.nn.conv2d函数中,当变量padding为VALID和SAME,函数具体是怎么计算的呢?其实是有公式的。为了方便演示,先定义几个变量:

  • 输入的尺寸高和宽定义成:in_height,in_width
  • 卷积核的高和宽定义成filter_height、filter_width
  • 输入的尺寸中高和宽定义成output_height、out_width
  • 步长的高宽方向定义成strides_height、strides_width.

一 VALID情况:边缘不填充

输入宽和高的公式分别为:
output_width=(in_width-filter_width+1)/strides_width #(结果向上取整)
output_height=(in_height-filter_height+1)/strides_height #(结果向上取整)

二 SAME情况:边缘填充

# 输出的宽和高将与卷积核没关系,具体公式如下:
output_width=in_width/strides_width #(结果向上取整)

output_height=in_height/strides_height #(结果向上取整)

# 这里有一个很重要的知识点——补零的规则,见如下公式:
pad_height=ma
  • 16
    点赞
  • 47
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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