卷积神经网络中padding后计算输出大小公式

最新推荐文章于 2022-07-26 16:40:17 发布
最新推荐文章于 2022-07-26 16:40:17 发布
阅读量3.1k 收藏 5
点赞数 5
分类专栏： 深度学习 文章标签： 卷积神经网络 矩阵大小
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_43469047/article/details/89337027
版权

假设输入大小为(H,W)，滤波器大小为(FH,FW)，输出大小为(OH,OW)，填充为P，步幅为S。
此时，输出大小公式：

OH = H + 2 P − F H S \frac{H + 2P - FH} {S} SH+2P−FH​ + 1

OW = W + 2 P − F W S \frac{W + 2P - FW}{S} SW+2P−FW​+1

举例：
输入大小：（28，31）；
填充：2；
步幅：3；
滤波器大小：（5,5）

OH = 28 + 2 ∗ 2 − 5 3 \frac{28 + 2*2 - 5} {3} 328+2∗2−5​ + 1 = 10

OW = 31 + 2 ∗ 2 − 5 3 \frac{31 + 2*2 - 5}{3} 331+2∗2−5​ + 1 = 11

小白tree
关注
  • 5
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
卷积神经网络系列之卷积/池化后特征图大小怎么计算？？
橙子Blue不加冰
12-16 9697
1.卷积后的大小： W：矩阵宽，H：矩阵高，F：卷积核宽和高，P：padding（需要填充的0的个数），N：卷积核的个数，S：步长 width：卷积后输出矩阵的宽，height：卷积后输出矩阵的高 width = （W - F + 2P）/ S + 1 height = （H - F + 2P） / S + 1 当conv2d(), max_pool() 中的 padding=SAME时，width=W，height=H，则保证输入输出尺寸图片大小相等，当padding=‘valid’时，P=0，相当于不填
padding 后尺寸变化 设置_使用rem设置padding大小的问题
weixin_39751453的博客
12-21 1975
HTML代码：rem再体验主要样式为：html{font-size: 6.25%;}//也就是1rem等同于1px.container-fluid{font-size:16rem; padding:15rem; margin:15rem;}看到这样的代码，我认为container-fluid的字体大小为16px，padding值为15px，可实际上呢？Chrome(版本号：53.0.2756.0 ...
卷积神经网络卷积后尺寸大小计算
weixin_43715601的博客
10-06 3099
神经网络卷积后尺寸计算1、无填充1.1 公式1.2 示例2、有填充2.1 公式2.2 示例 1、无填充 1.1 公式 H′=(H−K[0])S[0]+1W’=(W−K[1])S[1]+1\begin{aligned}\\ H' &= \frac{(H-K[0])}{S[0]} + 1 \\ \\ W’ &=\frac{(W-K[1])}{S[1]} + 1 \end{aligned}H′W’​=S[0](H−K[0])​+1=S[1](W−K[1])​+1​ 其中,KKK表示卷积核尺寸(ke
padding 后尺寸变化 设置_卷积神经网络参数计算及卷积层输出尺寸计算
weixin_36265507的博客
12-24 840
计算卷积后输出尺寸先定义几个参数输入图片大小 W×WFilter大小 F×F步长 Spadding的像素数 P则输出为N*N，其中N = (W − F + 2P )/S+1。具体计算如下：卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，除不尽的结果都向上取整。如果计算方式采用'VALID'，则： 2.如果计算方式采用'SAME'，可以保持输出特征图的大小与输...
CNN卷积神经网络计算输出的大小
weixin_42081390的博客
03-04 956
假设输入的图像大小为（H,W）,滤波器(即卷积核)大小为（FH,FW），输出大小为（OH,OW）,填充为P，步幅为S。此时，输出的大小计算公式为： OH = (H+2P-FH)/S + 1 OW = (W+2P-FW)/S + 1 ...
深度学习之CNN笔记
每天起床第一句要给自己打个气
10-19 620
原文链接: http://chenhao.space/post/f4e09fe1.html 卷积神经网络 整体结构 在MLP中，相邻层的所有神经元之间都有连接，这称为全连接（fully-connected）。另外，我们用Affine层实现了全连接层。如果使用这个Affine层，一个5层的全连接的神经网络就可以通过图1所示的网络结 构来实现。 如图1所示，全连接的神经网络中， Affine层后面跟着...
卷积神经网络
u012132349的博客
05-10 2199
目录 概述 卷积层 卷积层的产生 卷积运算 填充 步幅 应用滤波器后的输出数据大小计算 三维数据的卷积运算 批处理（‘四维数据’） 池化层 卷积层和池化层的Python实现 im2col介绍 im2col的Python实现 卷积层的实现 池化层的实现 CNN的实现 概述 卷积神经网络（Convolutional Neural Network），简称CNN，CNN...
图像处理中的深度卷积神经网络
01-20
总结来说，深度卷积神经网络的关键在于卷积层的参数设计，包括输入尺寸、卷积核大小、padding和步长，这些参数的合理选择对网络的性能至关重要。同时，激活函数如ReLU、池化层以及全连接层的设计也是DCNN能够成功...
pytorch nn.Conv2d()中的padding以及输出大小方式
09-18
在卷积神经网络（CNN）中，`padding`是在输入数据边缘添加额外的零（或其他数值）的过程，目的是保持输出的尺寸与输入尺寸一致，或者按照特定的需求调整输出尺寸。`padding`可以防止信息在卷积过程中丢失，特别是在...
卷积运算和运算后特征图大小计算2
12-21
卷积运算在深度学习中是图像处理和神经网络的核心操作之一，它主要用于提取输入数据的特征。本篇文章将深入探讨卷积运算时特征图大小的计算，特别关注两种不同的填充方式——padding="same"和padding="valid"，以及...
卷积神经网络基本计算原理.pdf
最新发布
03-13
总结，卷积神经网络的基本计算原理涉及滤波器的权值学习、卷积操作的输出大小计算、步长和填充的选择、以及局部连接和权值共享等概念。这些原理共同构成了CNN的强大功能，使其在图像识别、物体检测、图像分类等任务...
SGD、 卷积层、VGG笔记
qq_40279560的博客
06-07 641
笔记： SGD 使用参数的梯度，沿梯度方向更新参数，并重复这个步骤多次，从而逐渐靠近最优参数，这个过程称为随机梯度下降法（stochastic gradient descent），简称SGD 公式： SGD最优化更新路径： 缺点：SGD低效的根本原因是，梯度的方向并没有指向最小值的方向。可用Momentum、AdaGrad、Adam这3种方法来取代SGD SGD、Momentum、AdaGrad、Adam最优化方法比较： 用得较多的是将主要使用SGD或者Adam 权重初始值 Relu Batch No
padding 后尺寸变化 设置_padding margin border 和元素大小
weixin_39667626的博客
02-08 1367
元素占用宽度 = 元素宽度+padding+border+margin注意margin只是隔开元素，不会使得元素变大，而padding会使得元素变大，也就是说元素真实宽度=元素宽度+padding+borderborder 在元素的外层一、关于Padding1、设置对象四边的内边距。默认值是0。2、如果提供全部四个参数值，将按上、右、下、左的顺序作用于四边。3、如果只提供一个，将作用于全部的四边。...
卷积的padding操作
m0_68041978的博客
07-26 1737
1）在不使用padding的情况下，每次卷积后的图片会越变越小。比如初始图片大小为6*6（n*n），过滤器大小为3*3（f*f)，则卷积后的矩阵大小为4*4（n-f+1)*(n-f+1)。比如在原始图像周围加上一层像素点（p=1），则卷积后的图片大小为6*6(n+2*p-f+1)*(n+2*p-f+1)。则有n+2p-f+1=n,则有p=(f-1)/2。（2）如果不使用padding,四个角上的像素点只参与一次卷积运算，而最中间的像素点会参加多次运算。(3)也可以按自身需求指定p的大小。......
详解CNN中的stride 和 padding 到底是怎么计算的
热门推荐
tiandd12的博客
05-10 2万+
平时不注意的细节，别人一问的时候就会很懵逼，所以认真对待每一个参数。 先看一下 tensorflow中自带的卷积操作是什么样子的呢？ https://tensorflow.google.cn/api_docs/python/tf/nn/conv2d tf.nn.conv2d( input, filter, strides, padding, use_...
快速理解卷积神经网络的输入输出尺寸问题
zjj
04-15 2万+
一般一个神经网络的一层包括一个卷积和一个池化，这里主要讲述对输入和输出的尺寸的理解： 一、卷积 首先input输入矩阵，weight权值矩阵（滤波器）如下图429是由weight与input对应位置相乘再相加得到。 然后是步长stride和边界padding 像我们在上面看到的一样，过滤器或者说权值矩阵，在整个图像范围内一次移动一个像素。我们可以把它定义成一个超参数，从而来表示我们想让...
CNN中卷积核大小、池化以及padding对输入图像大小的影响
小柴不会敲代码
05-14 5633
我们发现在不使用padding操作时，经过卷积操作后，输出图像比输入图像小一点。 为保证输出图像的大小不变，我们可以使用padding操作： conv1 = nn.Conv2d(3, 16, kernel_size=3, padding=1) pool1 = nn.MaxPool2d(2) conv2 = nn.Conv2d(16, 8, kernel_size=3, padding=1) pool2 = nn.MaxPool2d(2) output1 = conv1(img.unsqueeze(
神经网络基础学习笔记（六）卷积神经网络
忆_恒心的博客
08-13 1934
卷积神经网络（Convolutional Neural Network，CNN） 7.1 整体结构 之前介绍的神经网络中，相邻层的所有神经元之间都有连接，这称为全连接（fully-connected）。 CNN 7.2 卷积层 全连接层存在什么问题呢？那就是数据的形状被“忽视”了。比如，输 入数据是图像时，图像通常是高、长、通道方向上的3维形状。 CNN 中，有时将卷积层的输入输出数据称为特征图（feature map）。其中，卷积层的输入数据称为输入特征图（input feature ma
tensorflow 2.0 （三）损失函数——MSE\Entropy\Hinge Loss
小白tree的博客
06-04 7015
计算预测值与正确解之间的误差是很重要的一步，一般有三种计算误差的方式 1.MSE => 有以下两种表现形式 来看看代码实现： import tensorflow as tf y = tf.constant([1,2,3,0,2]) y = tf.one_hot(y, depth=4) y = tf.cast(y, dtype=tf.float32) out = tf.random.no...
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