[概念]卷积的三种模式:valid、same、full

最新推荐文章于 2023-09-15 09:15:43 发布
最新推荐文章于 2023-09-15 09:15:43 发布
阅读量9.8k 收藏 96
点赞数 32
分类专栏： 深度学习 文章标签： 卷积 full same valid
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/weixin_40519315/article/details/104469365
版权

卷积conv：

  • valid

滑动步长为S，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：(N1-N2)/S+1 x (N1-N2)/S+1

该卷积的padding = 0

valid卷积,即仅使用每个卷积的有效部分.

 

  • same

滑动步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：N1xN1 

 

  • full

滑动步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小：(N1+N2-1) x (N1+N2-1)

玖零猴
关注
  • 32
    点赞
  • 踩
  • 96
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
无卷积步长或池化:用于低分辨率图像和小物体的新 CNN 模块SPD-Conv
10-06
No More Strided Convolutions or Pooling:A New CNN Building Block for Low-Resolution ...提出了一个名为SPD-Conv的新的CNN构建块，它完全消除了步长和池化操作，取而代之的是一个空间到深度卷积和一个无步长卷积。
卷积神经网络核心：特征提取（2023.1.21，除夕）.zip
01-21
卷积神经网络核心：特征提取（2023.1.21，除夕）
卷积的三种模式：full, same, valid
MCU_master的博客
07-19 3695
卷积
深度学习卷积笔记之Full卷积、Same卷积、Valid卷积
weekdayh的博客
02-14 2708
目录 full卷积计算过程 same卷积计算过程 valid卷积计算过程 参考资料 一维卷积通常有三种类型：full卷积、same卷积和valid卷积，下面以一个长度为5的一维张量I和长度为3的一维张量K（卷积核）为例，介绍这三种卷积的计算过程 full卷积计算过程 Full卷积的计算过程是：K沿着I顺序移动，每移动到一个固定位置，对应位置的值相乘再求和，计算过程如下： 将得到的值依次存入一维张...
CNN：full卷积，same卷积，valid卷积
qq_42018521的博客
10-16 2315
原图经过full卷积图像会变大，经过same卷积尺寸不变，valid卷积尺寸会缩小。应用场景不通，具体看下文：
讨论卷积的三种模式-full；same；valid
peacefairy的博客
10-04 928
三种卷积模式1、full卷积模式定义图示理解2、same卷积模式定义图示理解3、valid卷积模式定义图示理解 初始设定图像的大小为 7x7， 卷积核(filter)的大小为 3X3 1、full卷积模式 定义 full 卷积模式，图像每个元素都要进行覆盖计算，Filter卷积核只要能覆盖到图像的部分进行计算就可以，没有覆盖到的部分我们就补 0 进行计算即可。 图示理解 2、same卷积模式 定义 same 就代表我卷积前和卷积后的图像大小会保持一致。具体操作的话，我们会规定filter 有一个锚点。每次
卷积运算的本质，以tensorflow中VALID卷积方式为例。
weixin_30632899的博客
10-16 142
卷积运算在数学上是做矩阵点积，这样可以调整每个像素上的BGR值或HSV值来形成不同的特征。从代码上看，每次卷积核扫描完一个通道是做了一次四重循环。下面以VALID卷积方式为例进行解释。 下面是python的代码： def convolve(dateMat,kernel): m,n = dateMat.shape km,k...
卷积same和valid学习
思维缜密的博客
08-24 309
ininin为输入 dilationdilationdilation为空洞 kernelkernelkernel为卷积核 stridestridestride为步长 outoutout为输出 卷积形状 padding为数字 out[0]=⌊in[0]+2×padding[0]−dilation[0]×(kernel[0]−1)−1stride[0]+1⌋out[0]= \lfloor \frac{in[0]+2\times padding[0]-dilation[0]\times \left ( kerne
卷积的三种模式:full, same, valid
weixin_44293973的博客
08-08 151
same模式也是最常见的模式，因为这种模式可以在前向传播的过程中让特征图的大小保持不变，调参师不需要精准计算其尺寸变化(因为尺寸根本就没变化)。：这里的same还有一个意思，卷积之后输出的feature map尺寸保持不变(相对于输入图片)。在image里面的时候，进行卷积运算，可见filter的移动范围较same更小了。开始做卷积运算，可见filter的运动范围比full模式小了一圈。设 image的大小是7x7，filter的大小是3x3。当filter的中心(K)与image的边角重合时，...
卷积的三种模式：full、same、valid
qq_44199379的博客
11-15 2655
图示卷积的三种模式：full、same、valid
【Tensorflow】卷积中same和vaild的区别
littlemichelle
02-21 1785
same和vaild的区别？ same是做填充，valid是舍去。 用tensorflow/keras写一个
双三维卷积_双三维卷积_
09-28
双三维卷积，对地物进行分类，具体算法在里面
模式识别课程人脸识别卷积神经网络算法.zip
08-21
模式识别课程人脸识别卷积神经网络算法.zip 本资源中的源码都是经过本地编译过可运行的，下载后按照文档配置好环境就可以运行。资源项目源码系统完整，内容都是经过专业老师审定过的，基本能够满足学习、使用参考...
基于卷积神经网络模式识别系统的设计与实现代码大全.pdf
10-19
基于卷积神经网络模式识别系统的设计与实现代码大全.pdf基于卷积神经网络模式识别系统的设计与实现代码大全.pdf基于卷积神经网络模式识别系统的设计与实现代码大全.pdf基于卷积神经网络模式识别系统的设计与实现代码...
卷积的三种模式full, same, valid以及padding的same, valid
ch206265的博客
03-29 1590
原文链接：https://zhuanlan.zhihu.com/p/62760780 作者：最刚烈 一、以下展示卷积三种模式的不同之处 其实这三种不同模式是对卷积核移动范围的不同限制。设 image的大小是6x7，filter的大小是3x3。 1 full mode 橙色部分为image, 蓝色部分为filter。full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0。filter的运动范围如图所示。 2 same mode 当filter的中心(K)与ima
Padding\Valid convolutions\Same convolutions
Steve Wang's blog
12-15 1097
整理并翻译自吴恩达深度学习系列视频：卷积神经网络1.4。 Padding 在对一张6*6图片进行卷积后，它变成了一张4*4的图片。直接卷积有以下2个缺点： Shrinking the output(缩小输出图像大小) Throw away info from edge(相对于中间经过多次卷积计算的部分，图像边缘信息被抛弃了) 为了解决这一点问题，我们可以在图像的边缘填充(padding)...
理解卷积中的valid和same以及在卷积函数tensorflow中的使用
zgj_gutou的博客
01-18 3815
关于padding的一些要点 padding主要是防止丢掉图像边缘位置的许多信息。如果不用padding，会导致1、很明显，图像中间位置的数据会参与更多的运算，而边缘位置的数据参与运算的次数比中间位置的数据少。2、每一步卷积图像都会缩小，如果网络层数很多的话，那么图像最后会很小。 所以根据自己需要可以在卷积之前进行padding。padding的意思即填充边缘，扩大边缘，也就是Same卷积。而Va...
卷积神经网络中的 Full、Same 和 Valid 卷积
最新发布
学IT，找陈寒
09-15 1832
卷积神经网络是一种受到生物视觉系统启发的神经网络，特别适用于处理具有网格结构的数据，如图像。CNN的核心思想是通过卷积操作从输入数据中提取特征，然后将这些特征传递给全连接层进行分类或回归等任务。卷积操作包括卷积核（或滤波器）的滑动以及卷积核与输入数据的点积运算。在这个过程中，卷积核在输入数据上滑动，不同的滑动方式会导致 Full、Same 和 Valid 三种卷积模式。
卷积模式full.same.valid的解释
05-19
卷积是一种常用的神经网络操作，它可以用来提取图像、语音、文本等数据中的特征。在卷积操作中，需要设置卷积核的大小和卷积核的移动步长，同时也需要选择合适的卷积模式。其中最常见的三种卷积模式分别是full、same和valid。 1. full模式：full模式是指将卷积核在输入数据的每一个位置上都进行一次完整的卷积计算，即对于每一个输出位置，都需要考虑输入数据中所有能够和卷积核重叠的位置。在full模式下，输出数据的大小会比输入数据的大小大出k-1个元素，其中k为卷积核的大小。 2. same模式：same模式是指保持输出数据和输入数据的大小相同。在same模式下，需要在输入数据的边缘填充一定数量的0元素，以保证卷积核在输入数据的每一个位置上都有足够的空间进行计算。具体而言，如果卷积核的大小为k，那么在same模式下需要填充(k-1)/2个0元素。 3. valid模式：valid模式是指只对输入数据和卷积核可以完全重叠的位置进行计算，即只计算卷积核在输入数据中能够滑动的位置。在valid模式下，输出数据的大小会比输入数据的大小小出k-1个元素，其中k为卷积核的大小。 需要注意的是，不同的卷积模式会对输出数据的大小产生不同的影响，因此在使用卷积操作时需要根据具体的应用场景选择合适的卷积模式。

“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
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

玖零猴

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