关于卷积填充和步长等计算

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碰一次。即只会在第一次卷积操作时被卷积核扫描.这意味着会丢失图像边缘的很多信息.

• 但是对于原始图像中心的像素点，在每次卷积操作时都会被扫描。卷积核的感受野会扫描此位置多次.

  使用Padding进行维度的填充

• 为了使每次卷积操作后大小不会丢失，使用0填充在原始图像的外围。

• 假设p作为填充在原始图像外围的Padding大小，则经过卷积操作后的特征图大小为(n+2p−f+1)∗(n+2p−f+1)

  Padding填充大小公式

• 如果需要使经过卷积后的特征图大小保持不变，则填充大小需要满足公式

  n+2p−f+1=n

  即

  p=(f−1)/2

• 所以只要f即卷积核的边长是奇数，则能保证输出的特征图大小与原图像大小相等。

  通常使用奇数维度的过滤器大小

• 通常使用奇数维度的过滤器大小，这样可以使SAME Padding后的图像有自然的填充而不是出现小数维度。

• 奇数维度的卷积核具有中心点，便于指出过滤器的位置。

---

1.5卷积步长

示例

• 在此例子中选择7∗7的图像，2作为步长，使用3∗3的卷积核，最终得到一个3∗3的特征图。
  

  特征图大小公式

  

• 转载：https://www.cnblogs.com/cloud-ken/p/9338273.html