卷積后尺寸計算

定義幾個參數

• 輸入圖片大小 W×W

• Filter大小 F×F

• 步長 S

• padding的像素數 P

 

首先講tensorflow中

 

 

 SAME: ceil(5/2)=3

VAILD

p = 0

(5-3+0)/2+1 = 2

卷積中的參數“SAME”,和‘VALID’決定了輸出尺寸的計算公式：

如果參數是‘’SAME''，那么計算只與步長有關，直接除以步長(除不盡，向上取整)

如果參數是‘VALID’,那么計算公式如上：N = (W − F + 2P )/S+1

 

這里對比max_pooling中的SAME VALID

在我看來，'VALID'意味着做最大池時，邊外沒有零填充。
根據A guide to convolution arithmetic for deep learning，它表示池化操作符中沒有填充，即只使用tensorflow的'VALID'。但是什么是tensorflow中最大池的'SAME'填充？

最佳解決方案
我舉一個例子來說明一點：
x：shape[2,3]，1通道的輸入圖像
valid_pad：具有2x2內核，步幅2和VALID填充的最大池化。
same_pad：最大池化，2x2內核，步幅2和SAME填充(這是經典的方法)
輸出形狀為：
valid_pad：這里沒有填充，所以輸出形狀為[1,1]
same_pad：在這里，我們將圖像填充到形狀[2,4](使用-inf，然后應用最大池化)，因此輸出形狀為[1,2]

x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.]])

x = tf.reshape(x, [1, 2, 3, 1])  # give a shape accepted by tf.nn.max_pool

valid_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')

valid_pad.get_shape() == [1, 1, 1, 1]  # valid_pad is [5.]
same_pad.get_shape() == [1, 1, 2, 1]   # same_pad is  [5., 6.]

　　

其次講pytorch中

 

 

 

最后講理論推導：

N = (W − F + 2P )/S+1
輸出圖片大小為 N×N