【mindspore】【conv2d】在执行卷积后得到的特征图尺寸问题

最新推荐文章于 2023-08-09 10:59:16 发布
最新推荐文章于 2023-08-09 10:59:16 发布
阅读量609 收藏
点赞数
文章标签： 深度学习 神经网络 cnn
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_45666880/article/details/125336066
版权

问题描述：

【操作步骤&问题现象】

1、在执行卷积操作时，发现执行过后得到的特征尺寸图大小不变

【截图信息】

 

这是自己写的网络，输入是（3*6*6）的图像，经过一次卷积特征图为6-3+1=4，再经过一次卷积为4-2+1=3，被缩小成3*3的大小，有16个通道，展平后应为16*3*3个神经元，但执行网络报错，发现神经元要求为16*6*6=576，查找官方api发现同样的问题，想知道为什么卷积特征图尺寸不变

小乐快乐
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
tf.nn.conv2d理解
u013713117的专栏
02-17 2万+
文档解释tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, data_format=None, name=None)给定一个input的张量[batch, in_height, in_width, in_channels]和一个过滤器 / 内核张量 [filter_height, filter_width, in_
TensorFlow tf.nn.conv2d实现卷积的方式
09-18
TensorFlow框架中的tf.nn.conv2d函数用于在二维输入数据上执行卷积运算，该运算通常用在构建卷积神经网络（CNN）中。这个函数的实现主要涉及到图像处理中的核心概念，包括输入图像、卷积核、步长、填充和输出feature...
卷积神经网络中可以让特征图尺寸减半/不变的常用卷积结构
weixin_43960370的博客
03-27 940
其中，参数groups很有意思，字面上理解是将参数分组，它可以在保持输出通道数不变的情况下，将参数重复利用。在实际实验中，同样的网络结构下，这种效果是未分组的卷积的效果的。
Pytorch:Conv2d卷积前后尺寸
Pl_Sun的博客
08-01 3683
Pytorch卷积前后的尺寸大小1. Conv2d参数2. 尺寸变化3. 示例 1. Conv2d参数 2. 尺寸变化 卷积前的尺寸为(N,C,W,H) ，卷积后尺寸为(N,F,W_n,H_n) W_n = (W-F+S+2P)/S 向下取整 H_n = (H-F+S+2P)/S 3. 示例 # m = nn.Conv2d(16, 33, 3, stride=2) # non-square kernels and unequal stride and with padding m = nn.Conv2d
卷积、反卷积及池化、空洞卷积计算公式、特征图通道数（维度）变化、卷积核大小与深度等概念解释
jy的博客
08-18 1142
卷积、反卷积及池化、空洞卷积计算公式、特征图通道数（维度）变化、卷积核大小与深度等概念解释
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 5657
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(
在Pytorch中计算卷积方法的区别详解(conv2d的区别)
09-18
总结，`nn.Conv2d`和`F.conv2d`都是在PyTorch中执行2D卷积的方法，但它们在用途和灵活性上有所不同。`nn.Conv2d`适合定义和构建模型，而`F.conv2d`适合在现有模型中进行计算。理解这些区别有助于更好地利用PyTorch...
Tensorflow tf.nn.atrous_conv2d如何实现空洞卷积的
12-20
在传统的卷积操作中，卷积核在输入特征图上按照固定的步长（stride）移动，进行计算。而在空洞卷积中，卷积核的元素之间会插入一定的空隙，这些空隙由0填充，从而增大了卷积核覆盖的区域，使得网络可以在不增加计算...
Tensorflow tf.nn.depthwise_conv2d如何实现深度卷积的
12-20
实验中没有展示逐点卷积的部分，但通常在实际应用中，深度卷积后会接一个1x1的卷积层（即逐点卷积）来融合各个通道的信息。 深度卷积的优势在于其计算效率和参数数量的减少，这对于资源有限的设备（如嵌入式系统或...
论文代码复现1 --- Conv2d(1)：对原特征图减半、不变的操作
weixin_43560675的博客
09-28 2681
原特征图大小为n×n 使用kernel_size=f的卷积核，padding=p，stride=s 最后得到特征图的大小为向下取整中的公式 常用kernel_size=3，stride=2，padding=1是将原特征图尺寸减半 kernel_size=7，stride=2，padding=3也是减半操作 特征图尺寸不变一般使用：kernel_size=1，stride=1，padding=0 或 kernel_size=3，stride=1，padding=1 ...
VGG 论文笔记
m0_63095029的博客
01-12 1689
1. 网络结构： 除去大小为1×1的卷积核，其他卷积核都是3×3 ，步长为1，填充为2； 池化层都是2×2，步长为2，填充为0 也就是说，卷积层都不改变图像的尺寸，池化层会让图的尺寸缩小一半 2. VGGNet改进点总结 1. 使用了更小的3*3卷积核，和更深的网络。两个3*3卷积核的堆叠相对于5*5卷积核的视野，三个3*3卷积核的堆叠相当于7*7卷积核的视野。这样一方面可以有更少的参数（3个堆叠的3*3结构只有7*7结构参数数量的(3*3*3)/(7*7)=55%）；另一方面.
神经网络卷积反卷积及池化计算公式、特征图通道数（维度）变化实例
qq_46684028的博客
06-02 3366
神经网络卷积反卷积及池化计算公式、特征图通道数（维度）变化实例
不同类型的卷积小结
m0_61899108的博客
02-10 1093
1 标准卷积 卷积核上所有作用点依次作用于原始像素点后（即乘起来），线性叠加的输出结果，即是最终卷积的输出，也是我们想要的结果，我们称为destination（目标） pixel. 标准卷积的计算公式为： 标准卷积有多种卷积方法，可划分为三种：Same卷积、Valid卷积、Full卷积(反卷积)。 有个博文详细讲卷积，可以参考下： 卷积原理_abyss_miracle的博客-CSDN博客_卷积原理 1.1 Same卷积 通过Padding填充0运算保证卷...
关于卷积后通道数变化的问题
weixin_47125742的博客
07-16 9663
如下图所示，这个是MNIST的神经网络，在学习CNN的过程中我我发现一个问题，为什么单通道的输入图像卷积之后变成了32个通道 这个是我自己的想法：官方的说法就是通道数就是使用的卷积核的个数，其实说的通俗一些就是：像下面这张图一样，假设我们输入的图是RGB3通道的，如果我们只卷积一次，就只会输出一个值，但是输入图片是三个通道的，现在通道倒反还减少了，我觉得这样不好，所以我又做了一个卷积核再让他卷积（卷积核的形状一样，但是里面的w都是随机值，所以不用担心卷积的结果会重复），于是现在输出就有两个了，然后我们就可
如何理解卷积后通道增多/卷积后特征图尺寸的变化
最新发布
weixin_43910910的博客
08-09 2432
相反，当使用小卷积核时，可以考虑使用较大的步幅。较大的卷积核和较小的步幅可以捕捉更大范围的特征，但会导致特征图尺寸的减小。相反，较小的卷积核和较大的步幅会产生更多的特征图，但可能捕捉到更局部的特征。通过这些层的组合，LeNet网络能够从输入的图像中提取出不同层次的特征，并进行有效的图像分类。每一层的具体参数（卷积核大小、池化操作的窗口大小等）以及网络的整体结构可以根据实际任务进行调整和修改，以适应不同的图像处理和分类问题。较低层的通道可以学习到更加基础的特征，而较高层的通道可以学习到更抽象和语义类的特征。
多种类型的卷积
DDsoup 24小时不打烊芜湖！
03-19 4129
2D卷积 从最原始的图像卷积操作开始。因为图像有单通道图像(灰度图)和多通道图(RGB图)，所以对应常规卷积方式可以分为单通道卷积和多通道卷积。二者本质上并无太大差异，无非对每个通道都要进行卷积而已。先来看单通道卷积。 在单通道卷积中，针对图像的像素矩阵，卷积操作就是用一个卷积核来逐行逐列的扫描像素矩阵，并与像素矩阵做元素相乘，以此得到新的像素矩阵。其中卷积核也叫过滤器或者滤波器，滤波器在输入像素矩阵上扫过的面积称之为感受野。假设输入图像维度为 n ∗ n ∗ c，滤波器维度...
2021-05-24 卷积神经网络基础
weixin_51501199的博客
05-24 1385
人工智能 卷积神经网络基础 卷积计算 卷积是数学分析中的一种积分变换的方法，在图像处理中采用的是卷积的离散形式。这里需要说明的是，在卷积神经网络中，卷积层的实现方式实际上是数学中定义的互相关 （cross-correlation）运算，与数学分析中的卷积定义有所不同，这里跟其他框架和卷积神经网络的教程保持一致，都使用互相关运算作为卷积的定义，具体的计算过程如图7所示。 卷积核的计算过程可以用下面的数学公式表示，其中aaa代表输入图片，bbb代表输出特征图，www是卷积核参数，...
谈谈1×1的卷积核
skywuuu的博客
12-04 1205
谈谈1×1卷积核的作用 最近在看yolo3，发现对于1×1的卷积核的理解有些遗忘，借此强化一下记忆。 最早我对此有些疑惑，1×1卷积核不会改变高（Height）和宽（Width）（在stride和padding等其他参数为默认状态时）， 但**通道数（Channel）**可以随意变化，例如在pytorch中： 情况1，不变，加入了非线性的因素 nn. Conv2d(256, 256, kernel_size=1) 情况2，通道数增加（升维） nn. Conv2d(256, 512, kernel_size
TensorFlow中和MindSpore.nn.conv2d一样的
05-05
在TensorFlow中，和MindSpore.nn.conv2d功能类似的函数是tf.nn.conv2d。这个函数也是用来进行2D卷积操作的，可以指定卷积核大小、步长、padding方式等参数，和MindSpore.nn.conv2d的参数设置方式类似。同时，...
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