卷积神经网络系列之卷积/池化后特征图大小怎么计算？？

最新推荐文章于 2024-09-26 15:42:20 发布
最新推荐文章于 2024-09-26 15:42:20 发布
阅读量1w 收藏 71
点赞数 13
文章标签： 神经网络
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_44245653/article/details/111290171
版权
本文详细介绍了卷积神经网络中卷积和池化操作后特征图大小的计算方法，包括膨胀因子的影响，以及在TensorFlow和PyTorch中的处理差异。还讨论了上采样UpSampling2D的操作，并提到了转置卷积和不同的上采样方式。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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（向下取整）
height = （H - F + 2P） / S + 1（向下取整）

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，相当于不填充~~
输出图像大小：（width，height，N）其中N代表的卷积核的个数就是在卷积操作中起到的分为N个通道数的作用

<
最低0.47元/天 解锁文章
blue_lala
关注
Visio画的卷积神经网络结构图模板【包含卷积池化操作的绘图，以及线性层的绘图】
09-26
卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，广泛应用于图像识别、计算机视觉等领域。Visio是一款强大的图形绘制软件，能够帮助用户创建各种专业图表，包括复杂的神经网络结构图。本...
卷积层计算公式 和 池化层计算公式及简单示例与常见问题解析 全网最详细
最新发布
qq_17405059的博客
01-13 2204
通过这些简单公式，可以迅速计算出卷积层和池化层的输出维度及参数数量。这对设计卷积神经网络和理解其内部结构至关重要，也有助于对模型进行调试、优化和部署。Tip: 由于官方实现里通常会在计算卷积/池化输出时使用Floor运算（向下取整），所以在实际编程或搭建网络的过程中，要格外留意输入大小和步幅、填充之间的匹配关系，才能得到期望的输出尺寸。END以上就是卷积层和池化层的核心计算公式及简单示例。如果你对卷积神经网络有更多问题，欢迎进一步提问或留言讨论！
简明易懂——卷积神经网络的输入输出特征图大小计算
过招
10-08 2万+
???? 参考文档：《百度飞浆：零基础入门深度学习》 假设输入图片尺寸是 H×WH \times WH×W，卷积核（池化窗口）大小为 kh×kwk_h \times k_wkh​×kw​ 卷积层： 假设填充为 (ph,pw)(p_h, p_w)(ph​,pw​)，步幅为 (sh,sw)(s_h, s_w)(sh​,sw​)，则卷积层输出特征图的大小为： Hout=H+2ph−khsh+1H_{out} = \frac{H + 2p_h - k_h}{s_h} + 1Hout​=sh​H+2ph​−kh
卷积运算和运算后特征图大小计算2
12-21
every blog every motto: Stay hungry, stay foolish. 0. 前言 主要讲下实际卷积运算中关于padding=same和padding=valid的输出特征图的大小，以及池化后特征图的大小。 1. 正文 1. 卷积运算 特别说明：卷积（除不尽）向下取整！！！！ 特别说明：卷积（除不尽）向下取整！！！！ 特别说明：卷积（除不尽）向下取整！！！！ 关于卷积的基本运算参照卷积运算和运算后特征图大小计算1 参数定义： 输入大小：intputH 卷积核大小：K 步长：S 填充：P 输出图像大小：outputH 1.1 padding=valid 不进行填充，
卷积神经网络中特征图大小计算公式总结
L888666Q的博客
01-16 1万+
W：输入特征图的宽，H：输入特征图的高，K：卷积核宽和高，Ppadding（需要填充的0的个数），N：卷积核的个数，S：步长width_out：卷积后输出特征图的的宽，height_out：卷积后输出特征图的高。
卷积操作后特征图大小计算
qq_41168327的博客
03-08 9185
一，卷积操作 若图像为正方形：设输入图像尺寸为WxW，卷积核尺寸为FxF，步幅为S，Padding使用P,经过该卷积层后输出的图像尺寸为NxN：   若图像为矩形：设输入图像尺寸为...
【卷积神经网络--卷积/池化后特征图大小计算公式】
m0_46256255的博客
04-08 2062
空洞卷积（atrous convolutions）又名扩张卷积（dilated convolutions），向卷积层引入了一个称为“ 扩张率(dilation rate)”的新参数，该参数定义了卷积核处理数据时各值的间隔。当groups=1的时候，假设此时 输入的通道数为n，输出的通道数为m，那么理解为把输入的通道分成1组(不分组)，每一个输出通道需要在所有的输入通道上做卷积，也就是一种参数共享的局部全连接。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑空洞卷积。
卷积神经网络特征图大小的计算
Lavi的专栏
03-04 2万+
前言 特征图大小计算式卷积神经网络中一个很基础的问题，也是一个必须理解的问题。卷到最后我们要知道提取的特征的维度的大小，所以我们必须知道，卷积后特征图的大小。这里我们讲解一下卷积的不同方式以及特征图大小计算的公式。 基本公式 width = [(W - F + 2P) + 1] / S height = [(H - F + 2P) + 1] / S 其中，W：矩阵宽，H：矩阵高，F：卷积核宽和...
【深度学习】04-Cnn卷积神经网络-01- 卷积神经网络概述/卷积层/池化层/分类案例精讲
weixin_41645791的博客
09-26 2218
卷积神经网络（CNN）是一种深度学习模型，主要用于处理图像和视频等数据。与传统的神经网络不同，CNN 利用了卷积运算，通过自动提取局部特征来简化图像处理任务，尤其适合处理高维数据（如图像）的问题。什么是卷积神经网络？含有卷积层的神经网络，专用于从图像中自动提取特征。适用于图像分类、目标检测等任务。卷积神经网络的构成卷积层（Convolutional Layer）：提取图像特征。池化层（Pooling Layer）：降维，减少计算量。全连接层（Fully Connected Layer）
基于Pytorch深度学习——卷积神经网络(卷积层/池化层/多输入多输出通道/填充和步幅/)
EchoToMe的博客
05-05 1125
本文章来源于对`李沐动手深度学习`代码以及原理的理解，并且由于李沐老师的代码能力很强，以及视频中讲解代码的部分较少，所以这里将代码进行**尽量逐行详细解释** 并且由于pytorch的语法有些小伙伴可能并不熟悉，所以我们会采用**逐行解释+小实验**的方式来给大家解释代码 基于Pytorch深度学习——卷积神经网络(卷积层/池化层/多输入多输出通道/填充和步幅)
卷积后图片尺寸
qq_42301955的博客
05-29 1358
卷积相关概念
使用卷积后特征图大小计算
weixin_41135864的博客
02-10 1580
引言 Convolutional Neural Network 是一种在计算机视觉和其他领域很常用的一种神经网络，它的结构主要包括一下几个层： Convolutional Layer(CONV layer): 卷积层 Rectified Linear Unit: 激活层 Polling Layer: 池化层 Fully-Connected Layer: 全连接层 卷积层 这里先介绍卷积层，以及...
Tensorflow入门--------计算卷积后的特征图尺寸
梦的漂流瓶的博客
07-17 2万+
     在卷积神经网络设计网型的时候，需要对卷积核和池化层进行参数设置。有三个重要的参数，首先是卷积核的大小，其次是设置步长（padding）的大小，最后是是否采用padding。这几个因素直接影响了卷积、池化后的特征图的大小，对于网络形状的设计非常重要的参数。本博客将针对这三个参数进行解释，并且利用tensorflow进行结论的实验。 一、卷积核     卷积核这个东西比较好理解，就是卷积...
卷积后的图像尺寸计算
weixin_46452278的博客
04-17 953
公式，并没有考虑实际输入图像的尺寸，是否除得尽。大多数文章都直接套用。
卷积运算和运算后特征图大小计算1
胡侃有料的博客
04-22 6314
every blog every motto: I am a slow walker, but i never walk backwards. 0. 前言 主要讲下卷积运算和运算以后特征图的大小。 1. 正文 1.1 通道数为1的情况 基本概念： 输入图像：5 * 5 * 1（Height * Width * channel，长 * 宽 * 通道） 卷积核（滤波器）：3 * 3 * 1（长*宽...
【卷积神经网络】图像卷积、池化操作后的特征图大小计算方法
qq_41427568的博客
09-24 8395
一、卷积操作 输入图像为正方形 输入图像尺寸为W∗WW*WW∗W，卷积核尺寸为F∗FF*FF∗F，步长为S，padding为P，卷积核个数为C，经过卷积层之后输出的图像尺寸为N∗N∗CN*N*CN∗N∗C： N=W−F+2∗PS+1N=\frac{W-F+2*P}{S} +1N=SW−F+2∗P​+1 输入图像为矩形 输入图像尺寸为W∗HW*HW∗H，卷积核尺寸为F∗FF*FF∗F，步长为S，pa...
超详细的卷积后大小的计算公式
热门推荐
Mr_WHITE2的博客
01-07 4万+
计算公式定义 定义几个参数 输入图片大小 W×W 卷积核大小 F×F 步长 S padding的像素数 P 于是我们可以得出计算公式为： N = (W − F + 2P )/S+1 输出图片大小为 N×N 以resnet50为例，输入为[1,3,224,224]，其中1为batchsize，3为通道数，224为height和width。 经过第一层卷积后，其大小为[1,64,112,112] in_channels= 3//输入通道 out_channels= 64 //输出通道 nn.Conv2d(in_
卷积层和反卷积层输出特征图大小计算
SimpleLearning
01-30 3056
需要注意的是，反卷积的填充指的是输出特征图的填充，而不是输入特征图的填充。在反卷积中，输出特征图的填充会增加输出特征图的大小。总的来说，计算输出特征图大小的公式考虑了输入特征图的尺寸、卷积核的大小、填充的大小、步长和输出填充的大小等参数。当我们有一个输入特征图大小为 26x26 ，反卷积核大小为 3x3 ，步长为 1 ，输出填充为 0 的情况下，计算反卷积层的输出特征图大小。当我们有一个输入特征图大小为 28x28 ，卷积核大小为 3x3 ，步长为 1 ，填充为 0 的情况下，计算卷积层的输出特征图大小。
评论 3
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