Keras、Tensorflow中卷积、池化Padding参数valid和same的区别总结

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1k 收藏 6
点赞数 1
文章标签： 卷积 机器学习
原文链接：https://blog.csdn.net/jlhx_net/article/details/99950486?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-2&spm=1001.2101.3001.4242
版权

Keras中Padding效果可以使用valid和same指定，有些教程上直接把valid和same解读为是否使用填充（valid：不填充，same：填充），有些教程甚至把same解读为输出size和输入size相同，我个人理解以上说法都是片面的。官方帮助上这样说的：“valid”代表只进行有效的卷积，即对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出shape与输入shape相同。注意两点：1.并未说明是否填充；2.并未说same一定会导致shape相同。经过深入思考，个人理解如下：

1.valid参数代表对输入空间的有效扫描，特别强调“有效扫描”，即最后一次扫描输入特征不够被卷积窗口完全覆盖，则放弃剩下的未扫描的输入特征，扫描结束。此时输出大小的计算：Wout = ceil[(Win - F + 1）/ S]。same参数代表全扫描，也就是说，如果不够覆盖，则在两端边界填充0以实现全部覆盖。此时输出大小的计算：Wout=ceil[Win/S]

2.使用same参数时，导致输出shape和输入shape相同的情况只可能是步幅S=1的情况。一般而言，我们常使用3*3 S=1的卷积窗，因此在左右各填充1列或行时，Wout和Win的shape相同。

3.之所以不能片面理解为填充与不填充，举例说明：Win=14，F=2，S=2，则valid下输出为ceil[(14-2+1)/2] = 7，same下输出为ceil[14/2]= 7，也就是说并未填充也能达到全覆盖效果，所以即便使用same参数，也不会填充0.

wangx569
关注
tensorflow2.x学习笔记二十三：卷积(转置卷积)层中的padding=valid和same的区别(含ZeroPadding2D)
耐心的小黑的博客
03-20 2486
对于转置卷积和卷积，输入高宽(i)，输出高宽(o)，步长(s)，卷积核的高宽(k)(设定高宽相等都为k)满足以下关系： 1. 卷积：        padding = 'same’时，o = i/s 向上取整        padding = 'valid’时...
卷积神经网络的一些细节：‘VALID’与’SAME’
Biolantous
03-04 1355
最近在做卷积神经网络的相关项目中，有一些细节需要经常查阅，而有时却不一定找得到，索性将这些细节记录下来，方便自己查看，也方便大家参考。 以TensorFlow为模板，卷积神经网络常用的填充模式有’VALID’和’SAME’两种，其中’VALID’为不填充模式，即对于原始的尺寸不进行填充，直接进行卷积。所以卷积计算的尺寸公式为原本的⌈d−k+1s⌉\lceil \frac{d-k+1}{s} \rceil⌈sd−k+1​⌉，也可以写作⌊d−k+ss⌋\lfloor \frac{d-k+s}{s} \rfloo
【深度学习笔记】tensorflow中卷积的填充方式：SAME和VALID的区别
学习带来的快乐最持久~
09-22 3600
SAME, VALID的区别： SAME进行填充，卷积核移动步长=1时尺寸不变，移动步长=stride时卷积完毕后尺寸为 输入的尺寸/stride再向上取整。 VALID不进行填充，卷积后尺寸计算公式为 (输入尺寸 - 核尺寸)/stride + 1 再向下取整数。 如果是VALID的话，则图片经过滤波器后可能会变小。 padding的值为‘VALID’，表示边缘不填充。 当其为‘SAME’时，表示填充到卷积核可以到达图像边缘。 ...
卷积层和池化层中padding参数“SAME”和“VALID”的区别
南洲.的博客
09-04 5680
padding参数的作用是决定在进行卷积或池化操作时，是否对输入的图像矩阵边缘补0，‘SAME’ 为补零，‘VALID’ 则不补，因为在这些操作过程中过滤器可能不能将某个方向上的数据刚好处理完。 VALID 模式 inputs: 1 2 3 4 5 6 7 8 9 10 11 (12 13) |________________|...
【Tensorflow】卷积中same和vaild的区别
littlemichelle
02-21 1877
same和vaild的区别？ same是做填充，valid是舍去。 用tensorflow/keras写一个
运用tensorflow中的keras搭建卷积神经网络
guluC的博客
07-05 848
运用tensorflow中的keras搭建卷积神经网络 以及参数的讲解
Tensorflow 中padding 的“SAME” 和“VALID” 详解
TongLau的博客
07-10 1506
这里写自定义目录标题Tensorflow 中padding 的“SAME” 和“VALID” 详解“SAME”“VALID”总结 Tensorflow 中padding 的“SAME” 和“VALID” 详解 最近在准备复习找工作，边实习边耍牛客网，然后刷到vivo校招的题目，里面有一个神经网络参数的计算，由于我之前一直迷迷糊糊，所以打算好好了解一下，所以就使用tensorflow 来详细了解co...
Tensorflow2.* keras padding=valid or same ZeroPadding 边界填充设置
Forrest97的博客
05-19 1147
目录边界填充目的计算公式layers.ZeroPadding2Dpadding='valid' or 'same''valid''same' 边界填充目的 在卷积操作中有效控制特征层的size 计算公式 h'=|(h+p-k)/s| +1 其中， h’表示卷积后特征层的高 p表示上下填充的行数 k表示卷积核在高度方向上的大小 s表示滑动补上 | |表示取整 同理可得到 w’=|(w+p-k)/s| +1 layers.ZeroPadding2D layers.ZeroPadding2D可以定义padding
keras中的卷积层&池化层的用法
01-21
卷积层 创建卷积层 首先导入keras中的模块 from keras.layers import Conv2D 卷积层的格式及参数： ...padding: 选项包括’valid’和’same’，默认值为’valid’ activation: 通常为’relu’，如果不指定任何值
CNN：full卷积，same卷积，valid卷积
qq_42018521的博客
10-16 2510
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：
TensorFlow-con2d中SAME与VALID的区别
menghaocheng的专栏
04-06 730
区别：是否允许将卷积核“盖”到输入矩阵外面进行运算（SAME：允许，VALID：不允许）。-----------------------------------------------------------------------------------tf.nn.convolution()中的解释：If padding == "SAME": output_spatial_shape[i] ...
tensorflow中 “same”与“valid” 区别
u011304078的博客
10-30 1510
在valid情况下，  输出形状计算方法为： new_height=new_width=[(W-F+1)/S] 在same情况下，输出形状计算方法为： new_height=new_width=[W/S] 其中W为输入的尺寸，F为滤波器尺寸，S为步长，[ ]为向上取整函数。 由上可知，如果要保持卷积或池化之后的图像尺寸不变，则步长S必须为1。     import tensorflo...
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 2404
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。
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 3958
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...
卷积的三种类型：full,same,valid
weixin_45436729的博客
06-17 192
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 = 0valid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) 原文链接：https://blog.csdn.net/weixin_
keras padding_TensorFlow中CNN的两种padding方式“SAME”和“VALID”
weixin_39880318的博客
11-29 486
前言在使用Keras的时候会遇到这样的代码x = Conv2D(filters, kernel_size=5, strides=2, padding='same')(x)，与pytorch不同，keras和TensorFlow设置卷积层的过程中可以设置padding参数，vaild和same。“valid”代表只进行有效的卷积，对边界数据不处理。“same”代表保留边界处的卷积结果，通常会导致输出...
讨论卷积的三种模式-full；same；valid
peacefairy的博客
10-04 1017
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
卷积的三种类型：full, same, valid
weixin_38665509的博客
02-24 1053
转载自：https://blog.csdn.net/leviopku/article/details/80327478 通常用外部api进行卷积的时候，会面临mode选择。 这三种mode的不同点：对卷积核移动范围的不同限制。 设 image的大小是7x7（橙色部分），filter的大小是3x3（蓝色部分） 1. full mode full mode：从filter和image刚相...
tf.keras.layers.Conv2D中padding参数的作用
06-09
`padding`参数是`Conv2D`层中的一个可选参数，它的作用是控制卷积操作的边界处理方式。它有两个可选值：`'valid'`和`'same'`。 - 当`padding='valid'`时，表示不使用边界填充，卷积核只对输入数据的有效部分进行...
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