本文为笔记,参考深度学习课程图文
0. 卷积的一般知识
ksize
:卷积核大小,可以为1,2,3,4…
stride
:卷积核一次在原图上移动的步长,可以为1,2,3,4…
padding
:给原图打补丁,在原图周围填充0,调整输出大小,还可以解决图像角落信息的丢失
1.根据卷积核大小和步长计算输出结果形状
3 * 3矩阵作为kernel
,在周围打padding
,stride
为2
阴影部分值的计算:
0 * 2 + 0 * 0 + 1 * 1 + 0 * 1 + 2 * 0 + 3 * 0 +0 * 0 + 3 * 1 + 3 * 1 =7
输出结果的形状计算:
对照图理解,W+2P 是原图+补丁的总长度,减去初始kernel占掉的那部分,得到的是kernel需要移动的长度。再除以步长得到的是kernel需要移动的次数。移动几次就有几个值,再加上初始kernel扫描得到的那一个值
原图 5 * 5 kernel 3 * 3 padding 1 stride 2
Wout = (5 - 3 + 2 * 1 ) / 2 +1 =3
输出形状为3 *3