搭建网络时设置kernel_size，stride，padding的设置

最新推荐文章于 2024-04-13 20:33:56 发布
最新推荐文章于 2024-04-13 20:33:56 发布
阅读量5.4k 收藏 12
点赞数 4
文章标签： 网络 深度学习 cnn
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/weixin_42433234/article/details/123017634
版权

首先进行卷积和池化的时候，图像的尺寸是随着这三个参数设置变化的。

记录一下这个公式啦

输出尺寸 = （输入尺寸inputsize - kernel_size + 2 × padding）/ stride + 1

例如：输入尺寸大小 256*256，kernel_size4*4，strides=2，padding=1。根据公式计算得到128*128

言初-xys
关注
  • 4
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
卷积核的kernel size为什么要设置为奇数
Elvira521yan的博客
06-16 2094
kernel size设置奇数的原因
基于STRIDE-LM的5G网络安全威胁建模研究与应用.pdf
09-19
基于STRIDE-LM的5G网络安全威胁建模研究与应用.pdf
卷积神经网络参数：filters 和 kernel_size
最新发布
YHKKun的博客
04-13 346
filters。
卷积网络中的感受野详解
01-07
感受野的概念 在卷积神经网络中，感受野（Receptive Field）的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如图1所示。 2. 感受野的例子 （1）两层33的卷积核卷积操作之后的感受野是55，其中卷积核（filter）的步长（stride）为1、padding为0，如图2所示： 图2：两层33卷积核操作的感受野是55 （2）三层33卷积核操作之后的感受野是77，其中卷积核的步长为1，padding为0，如图3所示： 图3：三层33卷积核操作之后的感受野是77 3. 感受
SDL介绍-STRIDE威胁建模方法.pdf
07-01
SDL介绍-STRIDE威胁建模方法
stride_scheduler_xv6
05-24
##分析基于Unix XV6的操作系统####实现大步长调度程序（Stride Scheduler） #####作业已作为操作系统学科的最后作业提交给了Fronteira Sul联邦大学（UFFS）的计算机科学课程#####学术界：Rodrigo Bueno Tomiosso 抽象的。 本文介绍了在XV6操作系统中开发的知识，在Intel x86平台上使用Unix的第6版实施，在麻省理工学院（MIT）实施和跨步调度程序实施的知识。 概括。 本元文章描述了有关在XV6操作系统中开发的知识，在Intel x86平台上Unix版本6的实现，在麻省理工学院（MIT）实施以及跨步调度程序的实现的报告。 #### 1。 简介最好以Github开发的Readme.md格式查看此报告，该文件可与项目文件一起在。 为了对系统进行分析，除了之外，麻省理工学院（MIT）还提供了有关发行许可证本身的代码（gi
卷积:kernel size/padding/stride
Coding
08-30 2万+
卷积的原理 卷积尺寸变化 输出尺寸=(输入尺寸-filter尺寸+2*padding)/stride+1 宽和高都是这么计算的； 输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1...
卷积神经网络中的kernel_size修改之后对模型有多大影响
weixin_42604188的博客
01-24 1116
卷积神经网络中的kernel_size是卷积核的大小，即过滤器的大小。当kernel_size增大时，模型可以捕捉到更大的特征，但同时会增加参数的数量和计算复杂度，并且可能导致过拟合。当kernel_size缩小时，模型可以捕捉到更细节的特征，但可能会损失一些重要信息。因此，选择合适的kernel_size对于模型的性能非常重要。 ...
神经网络：CNN中的filter，kernel_size，strides，padding对输出形状的影响
weixin_44116706的博客
06-09 2509
输入数据在经过卷积层后，形状一般会发生改变，而形状的变化往往与以下三个超参数有关。
详解卷积中常见参数及用法（stride、kernel_size、padding、dilation)
absence521的博客
01-08 1254
最近看自己方向的论文，发现有的时候还是分不清一些参数的用法和含义，比如今天就在stride和dilation之间思考了很久，知识确实是学杂了，为了加深印象决定记录下来。
卷积神经网络~设置padding和stride
fatfairyyy的博客
05-22 2754
更多边缘检测内容 下图所示的是垂直边缘检测的例子： 如果，这张图片被翻转了，即，使暗面在左，亮面在右，这对输出会造成什么影响？ 运算结果发生了变化，过滤器得到的计算值变成了-30。输出的结果表明，-30 --> 0 是由暗到亮的过渡而非由亮到暗的过度。如果实验的结果不在乎二者的区别，那么可以直接对输出的卷积矩阵中的值取绝对值。但这种过滤器确实可以区别两种明暗的变化。 水平垂直检测 注：对于垂直边缘检测，矩阵的第一列为1，而最后一列为-1，因此它进行卷积计算的结果会使左边较亮而右边相对较暗。 相
图像处理中的深度卷积神经网络
01-20
输出尺寸（oho_hoh​,owo_wow​）与输入尺寸（nhn_hnh​,nwn_wnw​）、核尺寸（khk_hkh​,kwk_wkw​）、padding（php_hph​,pwp_wpw​）和stride（sws_wsw​,shs_hsh​）的关系 oh=(nh+ph−kh+sh)/show=(nw+pw−kw+...
《PyTorch深度学习实践》学习笔记：卷积神经网络（基础篇）
lizhuangabby的博客
07-12 849
CNN实现手写数字识别
对于keras.layers.Conv1D的kernel_size参数的理解
weixin_43790560的博客
06-11 2万+
今天在用keras添加卷积层的时候，发现了kernel_size这个参数不知怎么理解，keras中文文档是这样描述的： kernel_size: 一个整数，或者单个整数表示的元组或列表， 指明 1D 卷积窗口的长度。 又经过多方查找，大体理解如下： 因为是添加一维卷积层Conv1D()，一维卷积一般会处理时序数据，所以，卷积核的宽度为1，而kernel_size就是卷积核的长度了，这样的意思就是...
【卷积神经网络入门】【1】卷积类型
gdfsy123的博客
03-16 745
1.Normal Convolution 一般kernel_size=3，padding取1，这样feature map取决于stride 参数量：CinCoutK*K torch.nn.Conv2d(in_channels,out_channels,kernel_size,stride=1,padding=0,dilation=1,groups=1,bias=True) 2.Pointwise Convolution kernel_size=1，无法提取空间信息，但可以实现全连接的功能 .
Pytorch-学习记录 卷积操作——Tensor.size()
热门推荐
a132582的博客
11-28 4万+
设计网络结构、看网络结构源码时时常需要计算输入在结构中经过卷积层、pooling层后尺寸大小，特此记录。 pytorch中二维卷积层接口为 Conv2d() ，参数详情不多赘述，详情请参阅官方文档。我在此主要说明卷积层对输入计算之后size的变化情况。 例如， 卷积层的in_channels首先要与input的channels相对应，具体到上例，就是黑色和蓝色框所对应的部分。out_
kernel、padding、size的关系
sinat_37666840的博客
06-14 195
输出尺寸：heightout=(heightin-heightkernel+2*padding)/stride+1。输入尺寸：widthout=(widthin-weightkernel+2*padding)/stride+1。
浅 CNN 中激活函数选择、 kernel大小以及channel数量
Whisper321的博客
04-23 5809
Activation function 当用经典的 LeNet 进行 MNIST 识别训练时，我发现将 sigmoid 函数改为 ReLu，同时降低学习率（防止 dying neurons）并没能加快 SGD 收敛，反而使得 accuracy 的提升变得非常缓慢。所以这样看来，当 CNN 没有深到极易发生 gradient vanishing 时，sigmoid 或者 tanh 依然是首选。 Ke...
卷积核大小、个数，卷积层数是如何确定的 ？
qq_42414972的博客
07-02 3万+
Kernel_size是如何选取的？ Q: 为什么CNN中的卷积核一般都是奇数*奇数 ？ A: 原因有二。（1） 卷积中有一种same convolution，也就是卷积前后尺寸（高x宽）不变。实现same convolution（n + padding - k + 1 = n） 。若 k 为偶数，那么padding就为奇数，就不能平均分配到卷积张量两边。（2）此外，奇数尺寸的卷积核便于用中心定位。 达到相同感受野的情况下，卷积核越小，所需要的参数和计算量越小。所以2×2排除了，一般都用3×3作.
class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.residual_layer = self.make_layer(Conv_ReLU_Block, 18)#调用Conv_ReLU_Block，重复18个Conv_ReLU_Block模块 self.input = nn.Conv2d(in_channels=1, out_channels=64, kernel_size=3, stride=1, padding=1, bias=False)#通道层放大 self.output = nn.Conv2d(in_channels=64, out_channels=1, kernel_size=3, stride=1, padding=1, bias=False)#通道层缩小 self.relu = nn.ReLU(inplace=True)#19-22初始化网络层 for m in self.modules(): if isinstance(m, nn.Conv2d): n = m.kernel_size[0] * m.kernel_size[1] * m.out_channels m.weight.data.normal_(0, sqrt(2. / n))
06-14
这段代码是用 PyTorch 搭建的一个卷积神经网络模型，其名称为 Net。该模型包含了一个残差层（residual_layer），其中使用了 Conv_ReLU_Block 模块，该模块被重复调用了 18 次。此外，该模型还包含了一个输入层（input），一个输出层（output）和一个 ReLU 激活函数层（relu）。这些层被初始化为 nn.Conv2d、nn.ReLU 和 nn.ReLU(inplace=True) 类型。最后，该代码还对网络中的所有卷积层进行了权重初始化，使用的是均值为 0，方差为 2/n 的正态分布。

“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

言初-xys

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