卷积神经网络之卷积操作的计算详解（总结）

最新推荐文章于 2024-04-26 16:21:43 发布
最新推荐文章于 2024-04-26 16:21:43 发布
阅读量3.7k 收藏 13
点赞数 5
文章标签： 计算机视觉 深度学习 神经网络
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_44312422/article/details/121009357
版权

目录

1. 输入图像为正方形
2. 输入图像为矩形
3. 卷积操作的三种模式
4. 池化操作
5. 空洞卷积

1.图像为正方形

在这里插入图片描述

W：输入图像尺寸
F：卷积核大小
P：padding填充
S：为步长
N：卷积后输出的图像尺寸

2.图像为矩形，输入尺寸为W×H

在这里插入图片描述

3.卷积操作的三种模式

在这里插入图片描述

3.1Full mode :遇到第一个像素就开始卷积，full模式卷积后的图像大小为

其中，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)

3.2Same mode : 返回卷积中心大小与输入图像的中心部分，same模式卷积后的图像大小为
其中，步长为1，图片大小为N1xN1，卷积核大小为N2xN2，卷积后图像大小为：N1×N1（步长为1，卷积后大小不变）

3.3Vaild mode : 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 ，padding为0

4.池化操作

池化操作后图像尺寸如下：

在这里插入图片描述

W:为图像宽
H:为图像高
F:为卷积核尺寸
S:为步长
D:为图像深度（通道数）

[若有余数，则向下取整]

5.空洞卷积

在这里插入图片描述

d:为空洞卷积的空洞率
p:为padding
K:为卷积核的尺寸
S:为步长

奶茶不加冰
关注
  • 5
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
【一文读懂卷积神经网络（二）】可能是你看过的最全的CNN（步长为1，有填充）
weixin_43217928的博客
03-15 2978
上一篇文章已经介绍了无填充，步长为1的卷积神经网络,本文将继续由浅入深的介绍有填充，步长为1的卷积神经网络的前向传播与后向传播，有填充的池化层的前向传播与后向传播。 CNN卷积神经网络的原理【附Python实现】1.CNN的前向传播（有填充，步长strides=1）1.1 何为填充1.2 有填充的卷积层1.3 有填充的池化层2.CNN的反向传播（有填充，步长strides=1）2.1 池化层的反向...
pytorch中卷积函数参数详解
xiaofeng
01-11 1269
对于pytorch深度学习框架，卷积函数已经被封装好提供对外接口，二维卷积nn.Conv2d用于处理图像数据，对于宽度和高度都进行卷积运算，其定义如下。 class torch.nn.Conv2d(in_channels, out_channels, kennel_size, stride=1, padding=0, dilation=1, groups=1, bias=true) in_channels(int) 输入特征图的通道数 out_channels(int) 输出特征图的通道数 kenal_s
神经网络的卷积操作
最新发布
2301_79877516的博客
04-26 286
计算方式：将卷积核与输入图像进行匹配，然后对应格子上的数相乘，最后九个数相加，每匹配完一次卷积核，卷积核在图像中左右或上下移动一个步径，然后重复上述操作，最终得到卷积后的输出。1、简介：主要用于实现二维卷积操作。它通常应用于图像处理，特别是在构建卷积神经网络（Convolutional Neural Networks，CNN）时。padding：改变输入图像的边缘填充大小，从而控制卷积后的输出大小。input：提供一个输入（例如图形等）weight：权重（即卷积核）
如何对图像进行卷积操作
WU2629409421perfect的博客
06-13 6194
1、首先先了解下什么是卷积呢？ 2、卷积操作：卷积核与原图对应位置相乘再求和；然后将所求和放在被卷积操作的图中心位置。 上图表示一个 8×8 的原图，每个方格代表一个像素点；其中一个包含 X 的方格是一个 5×5 的卷积核，核半径等于 5/2 = 2； 进行卷积操作后，生成图像为上图中包含 Y 的方格，可以看出是一个 4×4 的生成图； 通过比较观察可以发现，生成图比原图尺寸要小，为了保证生成...
图像处理作业3-对图片进行卷积操作
qq_42662568的博客
03-29 9651
Programming Assignment 3—卷积（ Convolution） Author：Tian YJ 编写卷积函数function Convolve(I, F, iw, ih, fw, fh)，以备后面练习使用： a. I是一幅灰度图像，其分辨率是iw× ih. b. F 是一个滤波器（由浮点数构成的二维阵列），其大小是 fw× fh，通常 ( fh, fw ) << ...
机器学习复习：卷积的方向传播之一：步长stride为1的二维卷积方法的反向传播算法
DaVinciL的博客
06-08 2102
title: 步长stride为1的二维卷积方法的反向传播算法 date: 2019-05-24 12:32:01 tags: [卷积, 反向传播, 深度学习] category: 深度学习 toc: true thumbnail: gallery/DeepLearning.jpg 前言   近年来，深度学习的快速发展带来了一系列喜人的成果，不管是在图像领域还是在NLP领域，深度学习都显示了其极...
卷积矩阵及其运算实例
sumx2015的博客
10-10 7426
矩阵的卷积运算主要用在图像处理中，假设输入信号为x[m,n]，激活响应为h[m,n]，则其卷积定义为： 不过在图像处理中这里的激活响应（也称为核）h[m,n]通常是一个3乘3矩阵，其下标如下图所示 其余下标的值取0，注意到原点(0,0)是是矩阵的中心。     在图像处理中，输入信号x[m,n]的非零值通常是横坐标从0到M-1，纵坐标从0到N-1，这里M和N分别是图像宽和
卷积神经网络概述及python实现
01-27
对于卷积神经网络（CNN）而言，相信很多读者并不陌生，该网络近年来在大多数领域都表现优异，尤其是在计算机视觉领域中。但是很多工作人员可能直接调用相关的深度学习工具箱搭建卷积神经网络模型，并不清楚其中具体...
详解卷积神经网络（CNN）在语音识别中的应用
02-25
2012年，微软邓力和俞栋老师将前馈神经网络FFDNN（FeedForwardDeepNeuralNetwork）引入到声学模型建模中，将FFDNN的输出层概率用于替换之前GMM-HMM中使用GMM计算的输出概率，引领了DNN-HMM混合系统的风潮。...
卷积神经网络(CNN,ConvNet)及其原理详解
04-18
卷积神经网络（CNN）是一种深度学习模型，特别适用于图像处理任务，但也可应用于音频、文本和其他领域。CNN的核心特性在于其利用了卷积层和池化层来提取特征和减少数据维度。 1. **局部感受野**： 局部感受野是CNN...
卷积神经网络全面解析之代码详解
01-02
卷积神经网络全面解析之代码详解 本文将对卷积神经网络（Convolutional Neural Networks，CNN）的代码进行详细解读，以 Python 和 Theano 为基础，介绍 CNN 的原理和实现细节。 一、CNN 卷积神经网络原理简介 ...
多通道图像卷积与参数计算
liuxiangxxl的博客
12-19 7034
对于单通道图像，若利用10个卷积核进行卷积计算，可以得到10个特征图；若输入为多通道图像，则输出特征图的个数依然是卷积核的个数（10个）。  1.单通道多个卷积核卷积计算   一个卷积核得到的特征提取是不充分的，我们可以添加多个卷积核，比如32个卷积核，从而可以学习32种特征。 2.多通道多个卷积核卷积计算  图片：假设图片的宽度为width:W，高度为height:H，图片的通道数为D，...
[转载]卷积，池化操作后的图像尺寸计算
qq_52254197的博客
05-24 3351
[转载]卷积，池化操作后的图像尺寸计算 原文 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： N=W−F+2PS+1 N=\frac {W-F+2P} {S} +1 N=SW−F+2P​+1 若图像为矩形：设输入图像尺寸为WxH，卷积核的尺寸为FxF，步幅为S，图像深度(通道数)为C，Padding使用P，则： 卷积后输出图像大小： W=W−F+2PS+1H=H−F+2PS+1 W=\frac {W-F+2P}
步长为2的卷积 VS 步长为1的卷积 + 间隔删除（美颜BeautyGAN）
juebai123的博客
09-18 6246
用以前的代码并不能实现 python、Tensorflow 同样的效果。 MatConvNet 和 Tensorflow 中的卷积，在步长为2时，并且图像长宽是偶数时，并不完全相同 比如步长为1的一个卷积结果是这样的： [[ 2. 0. 2. 4.] [ 1. 4. 4. 3.] [ 4. 3. 5. 9.] [ 3. 4. 6. 2.]] 步长为2的一个...
医学图像处理医学图像处理-卷积神经网络卷积神经网络_深度学习入门 | 第四章：卷积神经网络基础（1）...
weixin_39873741的博客
11-21 614
在前面的章节中，介绍了全连接神经网络的相关知识，本章将介绍一种全新的神经网络结构——卷积神经网络(Convolutional Neural Network，CNN)。在很多场合，都能看到卷积神经网络的身影，如图像识别、自然语言处理、语音识别等，但CNN最主要的应用还是在图像识别领域。因此，本章将基于图像识别问题来讲解卷积神经网络的原理。相对于全连接神经网络而言，卷积神经网络进步的地方是引入了卷积层...
矩阵卷积的实际运算
jlqprivate的博客
09-29 2951
矩阵的卷积运算主要用在图像处理中，假设输入信号为x[m,n]，激活响应为h[m,n]，则其卷积定义为： 不过在图像处理中这里的激活响应（也称为核）h[m,n]通常是一个3乘3矩阵，其下标如下图所示 其余下标的值取0，注意到原点(0,0)是是矩阵的中心。 在图像处理中，输入信号x[m,n]的非零值通常是横坐标从0到M-1，纵坐标从0到N-1，这里M和N分别是图像宽和高的值，
关于卷积填充和步长等计算
热门推荐
zhuimengshaonian66的博客
03-17 1万+
4.1卷积神经网络 1.4Padding 一张6∗6大小的图片，使用3∗3的卷积核设定步长为1，经过卷积操作后得到一个4∗4的图像。 特征图大小公式 设定原始图像大小为n∗n,卷积核大小为f∗f，则经过卷积操作后特征图大小为(n−f+1)∗(n−f+1) 不使用Padding的缺点 经过卷积操作后图像会缩小. 如果你注意角落边的像素，则此像素点只会被卷积核触...
各种卷积操作及其矩阵运算
Nick Blog
08-12 5938
前言 简单来讲，卷积是一种函数和函数产生一个新函数的数学运算，该数学运算的自变量是两个函数f, g（连续或离散都可以,，定义域之外的部分记函数值填充为0），输出为一个函数h,满足 ,或者说，就是对每个自变量t, 的h(t)值，都是g与对应​f的函数值的加权和。 1. 一维离散卷积数学表达 2. 二维离散卷积定义 3. 图像卷积 卷积核套合在图像上，对应位置相乘求和赋值给中心像素，滑动卷积核（从左到右，从上到下），依次得到新的特征图上的值。 上图展示的是 stride=1 的情形，既每次移动一个像

“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 1
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

奶茶不加冰

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