Tensorflow卷积操作中Padding的几种方式

最新推荐文章于 2024-11-21 19:56:41 发布
最新推荐文章于 2024-11-21 19:56:41 发布
阅读量922 收藏
点赞数 1
CC 4.0 BY-SA版权
分类专栏： Tensorflow
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/w516162189/article/details/79568925
本文详细介绍了在使用卷积神经网络时，如何根据不同的填充方式（VALID和SAME）来计算输出矩阵的尺寸。文章提供了计算公式，并解释了步长、卷积核尺寸等因素对输出尺寸的影响。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

假设:

输入矩阵的尺寸为: w * w
卷积核的尺寸为: f * f
步长为: s
输出矩阵的尺寸: new_w * new_w

注意, 这里默认所有长宽都相等; 不相等情况下, 推导方式是一样的.

VALID 方式

new_w = (w - s + 1) / 2    #向上取整

VALID方式不会在原有输入矩阵的基础上添加新的值，输出矩阵的大小直接按照公式计算即可

SAME 方式

yolov3--16--一文详解卷积操作中的padding填充操作
天明宇朗的博客
10-28 6048
Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU) Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT Yolov--3--TensorRT中yolov3性能优化加速（基于caffe） yolov-5-目标检测：YOLOv2算法原理详解 yolov--8--Tensorflow实现YOLO v3 yolov--9--Y...
使用tensorflow实现卷积的几种操作
CHNguoshiwushuang的博客
07-29 3055
   这里简要总结一下tensorflow实现卷积操作的几种写法，定义方式有很多。例如使用一个9x9的卷积核将一个三通道图像转换成64通道的feature,遇到过的有以下一些： 直接定义就写    这种写法简单粗暴，一边定义卷积核、偏置和卷及操作一边写，优点是操作灵活，但是代码量太大尤其是重复单元较多的时候，一个例子如下: weight = tf.get_variable('weig...
Tensorflow中卷积的padding操作
霹雳吧啦Wz
03-03 2556
文章目录Tensorflow中padding为valid的情况Tensorflow中padding为same的情况和Pytorch的padding简单对比实验对比实验1实验2实验3实验4实验5实验6 关于Tensorflow中卷积的padding其实在之前的课程中我有讲过，不过本节课会在详细讲解下，并和Pytorch中卷积的padding进行简单的对比。关于Pytorch中卷积的padding可以参考我之前写的一片文章。 在Tensorflow中卷积的padding一般需要指定为same或者valid，并
卷积操作的三种 padding：valid (no padding), same (or half), full
404 Not Found
02-04 1191
Valid or no padding: valid顾名思义filter只在valid（有效）区域卷积。如果stride=1，output_size = input_size -( kernel_size -1) Same or half padding: 这种padding是让输出尺寸等于输入尺寸的padding。当stride = 1，要补（kernel_size - 1）行（列）零 Full padding: Full意味着kernel会一个个遍历所有输入图像像素。当stride = ..
pytorch的padding怎么使用？支持哪些padding方式方法？padding有什么意义？
macan的博客
01-17 1万+
pytorch的padding怎么使用？支持哪些padding方式方法？padding有什么意义？前言pytorch支持哪些padding？1. zeros（常量填充）2. reflect（反射填充）3. replicate（复制填充）4. circular（循环填充）总结 前言 搭建深度学习模型，必不可少使用卷积，卷积中有一个参数padding需要理解且应该掌握选择哪种方式进行padding，本文对pytorch中支持的四种padding进行详细描述。 torch.nn.Conv2d(in_channel
Tensorflow卷积中Padding的两种方式
songbinxu的博客
12-28 9590
Tensorflow卷积中Padding的两种方式 两种Padding VALID：若不够滑动，则将右下的剩余部分全部舍弃，从原矩阵左上角开始卷积。 H′=⌈H−k+1d⌉H'=\left \lceil \frac{H-k+1}{d} \right \rceilH′=⌈dH−k+1​⌉ SAME：如果H/dH/dH/d除不尽，会均匀地在左上、右下补0，令总长LLL满足L−...
Tensorflow 卷积神经网络 
qq_41039384的博客
08-16 881
Tensorflow 卷积神经网络 我们在获得一张图片后，需要对它进行处理。在实际应用中，会先对原始图像进行特征提取，把提取到的特征喂给全连接网络，再让全连接网络计算出分类评估值。 例：先将此图进行多次特征提取，再把提取后的计算机可读特征给全连接网络。 卷积 Convolutional 卷积是一种有效提取图片特征的方法。一般用一个正方形卷积核，遍历图片上的每一个像素点。图片与卷积核重合区域内相对应的每一个像素值乘卷积核内相对应点的权重，然后求和，再加上偏置后，最后得...
Tensorflow中conv2d的两种padding方式（SAME与VALID）选择以及与Pytorch中对比
gouchen_的博客
11-15 2584
Tensorflow和卷积中padding的一些异同，以及SAME和VALID的理解与使用
Tensorflow 卷积神经网络（三）池化与采样
weixin_44056948的博客
01-31 1077
前一节的内容对卷积网络的padding，stride等概念有了介绍，这一节会需要回顾一下其中重要的几个概念包括池化（Pooling）、过采样（upsample）以及激活函数ReLU。首先我们根据一张经典的LeNet5网络来了解下降维也就是下采样。 可以看到，两个subsampling层将原来输入的28*28的图像数据见魏晨了14*14和5*5； 那么下采样是怎么实现的呢，实际上这个操作的执行就是池化，如上图所示，池化主要分为两种average个Max，在这里我们的卷积核大小设置为2*2，步长st
为什么做卷积之前要对图像进行padding操作（根据过滤器的大小来padding）？
肉丸不肉
10-19 2747
参考文章： 吴恩达-深度学习-卷积神经网络-Padding 笔记 如果你用一个3×3的过滤器 卷积 一个6×6的图像，你最后会得到一个4×4的输出，也就是一个4×4矩阵。那是因为你的3×3过滤器在6×6矩阵中，只可能有4×4种可能的位置。 这背后的数学解释是，如果我们有一个的图像，用的过滤器做卷积，那么 输出的维度就是(n-f+1)*(n-f+1)。 在这个例子里是6-3+1=4，因此得到了一个4×4的输出。 这样的话会有两个缺点： 第一个缺点是，每次做卷积操作，你的图像就会缩小，从6×6缩小
对于 CNN 卷积网络的理解——Padding 的两种方式
weixin_40267373的博客
05-03 3706
TensorFlow—Conv2D padding 问题导言1. Padding='VALID'2. Padding='SAME'2.1. 2x2 大小的卷积核2.2. 3x3 大小的卷积核2.3. 4x4 大小的卷积核3. 对齐方式不同 导言 最近在看卷积神经网络（CNN）的时候，遇到了 padding 这个属性（补全方式），查了很多资料，发现目前网上讨论的大都是padding之后输出张量大小如...
膨胀卷积的padding公式
qq_43258953的博客
11-23 2016
采用膨胀卷积后的padding计算 K为膨胀的等效卷积核，r为膨胀系数 K=k+(k−1)∗(r−1) 总的padding量为K-1。然后再进行两边分配。 p = kernel_size+(kernel_size-1)*(dilation-1)-1 p1 = p // 2 p2 = p - p1 x = layers.ZeroPadding2D(padding=((p1, p2), (p1,...
卷积神经网络2-padding
qq_37031892的博客
10-18 1093
什么是padding？ padding就是填充、覆盖的意思，也就是过滤器。 padding的选择？ 我们通常选择3x3的过滤器，但是如果你阅读大量文献，你也会发现也有许多5x5、7x7的过滤器。不难发现，这里都是奇数类型的过滤器。如果你阅读许多相关文献，你也会发现绝大多数都选择的是奇数过滤器，这也符合计算机视觉的惯例。之所以选择奇数，一方面有便于确定过滤器当前所在的位置（只有一个中心点），另外也不止是这个原因。当然，也可以选择偶数过滤器，可能也会有很...
关于卷积神经网络的填充（padding）
Garson的博客
11-07 3587
随着卷积层数的加深，输出进一步缩小，那么最终会导致输出很快就只剩下1∗1的数组，这也就没办法继续计算了，所以提出了填充的方法来方便网络的进一步加深。1379在进行的四次卷积运算中，只被计算了一次，所以卷积学习的不充分，填充就是让卷积网络能够将边缘的角落也能多次学习，从而更全面地发现特征。填充的方法就是在输入的高和宽两侧分别填充了0元素，再进行卷积运算。
动手学深度学习 - 5.2. 填充和步幅
程永强
06-15 1372
动手学深度学习 - 5.2. 填充和步幅 动手学深度学习 - Dive into Deep Learning Aston Zhang, Zachary C. Lipton, Mu Li, and Alexander J. Smola https://zh.d2l.ai/ 5.2. 填充和步幅 在上一节的例子里，我们使用高和宽为 3 的输入与高和宽为 2 的卷积核得到高和宽为 2 的输出。一般来说，...
Padding（填充） ——卷积神经网络（CNN）
m0_74042340的博客
11-27 4576
在多次卷积操作中，如果不使用填充，每次卷积都会导致输出尺寸减小，最终可能使得图像的边缘信息丢失得很快。通过适当的填充，可以减缓尺寸的减小，避免信息丢失过快。是卷积神经网络（CNN）中的一个概念，它是指在输入图像的周围增加额外的边界，以便在卷积操作中更好地处理图像边缘的信息。填充通常使用零值进行填充。在进行卷积操作时，卷积核在图像边缘处可能无法完全覆盖，导致输出图像尺寸缩小。通过填充，可以确保卷积核能够涵盖图像的边缘，从而保留更多的信息。使用填充可以减缓图像尺寸的减小，有助于在深层网络中保持足够的感受野。
卷积层中的填充操作
搏博的专栏
11-17 3291
具体来说，对于图像的上边界和下边界，填充的像素值会分别复制原始图像的第一行和最后一行的像素值（或其镜像，取决于具体的实现方式）。对于图像的左边界和右边界，填充的像素值会分别复制原始图像的第一列和最后一列的像素值（同样地，或其镜像）。综上所述，卷积中的填充是一种重要的技术，用于控制输出特征图的空间维度、保留边缘信息以及减少卷积操作对图像边缘的敏感性。在卷积操作中，填充（Padding）是一种重要的技术，用于控制输出特征图的空间维度，并保留输入特征图的边缘信息。：填充的像素是原始图像边缘像素的镜像。
卷积神经网络的padding是什么？如何计算？
最新发布
qq_44815135的博客
11-21 1695
当stride = 1，dilation=1，卷积公式的输出为H_out = H_in+2p-k+1，要保证H_out = H_in,所以2p = k-1,p = (k-1)/2。假设输入尺寸是 5×5，卷积核大小是 3×3，步幅为 1。我们希望卷积操作后的输出尺寸与输入相同。根据公式推导得，P = (S(H-1)-H+K)/2,当S=2,上述例子为，P = floor[(8-4+3)/2]=3。
关于理解卷积操作中Padding的两种方式
热门推荐
小丁猫
05-22 2万+
参考博客 卷积操作存在两个问题： 1、图像越来越小； 2、图像边界信息丢失，即有些图像角落和边界的信息发挥作用较少。 因此需要padding      一张M x M的图片，经过卷积核F x F，strides = [1,1,1,1], padding = valid 卷积操作后,         得到大小为 C_side x C_side 的 feature map,      ...
conv1 padding tensorflow
06-27
在 TensorFlow 中，`conv1d`, `conv2d`, 或 `conv3d` 等卷积层操作中的 padding 是一种机制，用于保持输入数据在经过卷积后尺寸不变或增加。`conv1 padding` 指的是一维卷积（针对一维数据）的填充方式。主要有以下...
评论
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
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