本文探讨了Tensorflow在'valid'模式下卷积输出大小的计算，通过数学证明解释了两种计算公式是等价的，并提供了在'same'模式下padding的计算方法。
Tensorflow在模式’valid’下的卷积输出大小
假定 W \text{W} W为图片的输入尺寸， K \text{K} K为卷积核的大小， S \text{S} S为stride的大小。
在’valid’模式下（没有padding），卷积输出的feature map常见计算公式为
⌊ W − K S ⌋ + 1 \lfloor \frac{\text{W}-\text{K}}{\text{S}} \rfloor + 1 ⌊SW−K⌋+1
其中， ⌊ ⋅ ⌋ \lfloor \cdot \rfloor ⌊⋅⌋表示向下取整，如 ⌊ 3.4 ⌋ = 3 \lfloor 3.4 \rfloor = 3 ⌊3.4⌋=3。
而tensorflow官网的计算公式却是
⌈ W − K + 1 S ⌉ \lceil \frac{\text{W}-\text{K}+1}{\text{S}} \rceil ⌈SW−K+1⌉
其中， ⌈ ⋅ ⌉ \lceil \cdot \rceil ⌈⋅⌉表示向下取整，如 ⌈ 3.4 ⌉ = 4 \lceil 3.4 \rceil = 4 ⌈3.4⌉=4。
这两个计算公式哪个是对的呢？
其实都是对的，因为它们是等价的，下面来证明：
令 X = W − K \text{X}=\text{W}-\text{K} X=W−K，然后分三种情况讨论：
-
若 X S \frac{\text{X}}{\text{S}} SX为整数，显然有
⌊ X S ⌋ + 1 = X S + 1 ⌈ X + 1 S ⌉ = ⌈ X S + 1 S ⌉ = X S + ⌈ 1 S ⌉ = X S + 1 ⟹ ⌊ X S ⌋ + 1 = ⌈ X + 1 S ⌉ \begin{aligned} \lfloor \frac{\text{X}}{\text{S}} \rfloor +1&=\frac{\text{X}}{\text{S}} +1 \\ \lceil \frac{\text{X}+1}{\text{S}} \rceil &= \lceil \frac{\text{X}}{\text{S}} + \frac{1}{\text{S}} \rceil = \frac{\text{X}}{\text{S}} + \lceil \frac{1}{\text{S}} \rceil=\frac{\text{X}}{\text{S}} + 1 \end{aligned} \Longrightarrow \lfloor \frac{\text{X}}{\text{S}} \rfloor +1=\lceil \frac{\text{X}+1}{\text{S}} \rceil ⌊SX⌋+1⌈SX+1⌉=SX+1=⌈SX+S1⌉=SX+⌈S1⌉=SX+1⟹⌊S
最低0.47元/天 解锁文章
扫一扫
1478
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
