深度学习卷积参数量,图像输出尺寸,感受野的计算,
是针对我之前一篇博客的一些单独抽离和总结,方便复习
文章目录
0. 网络中卷积乘法次数和加法次数
1. 分组卷积
2. 深度可分离卷积
3. 卷积后输出的图像尺寸
4. 空洞卷积
5. 感受野的计算
感受野计算例1
感受野计算例2
0. 网络中卷积乘法次数和加法次数
K × K {K}\times{K}K×K的卷积核,在一次卷积的过程中,运用K 2 K^{2}K2次的乘法,K 2 − 1 K^{2}-1K2−1次加法
1. 分组卷积
详细的带图解释引用参考这个链接
https://zhuanlan.zhihu.com/p/65377955
概念
将输入特征图按照通道数分成g组,每组分别进行卷积操作
计算量的计算
分 组 卷 积 参 数 量 标 准 卷 积 参 数 量 = h 1 × w 1 × c 1 g × c 2 g × g h 1 × w 1 × c 1 × c 2 = 1 g \frac{分组卷积参数量}{标准卷积参数量} = \frac{ {h_{1}} \times {w_{1}} \times {\frac {c_{1}} {g}} \times{\frac{c_2}{g}}\times{g}} { {h_{1}} \time