矩陣卷積后的尺寸的計算公式

本文轉載自查看原文 2021-03-03 17:06 606 深度學習

設:

圖片輸入大小為：W x W x D1

卷積核尺寸為: F x F

步長為： S

填充為：P

卷積核個數為：K

輸出圖片大小為：N x N x K

　　　　　　　　N = （W-F+2P）/ S +1

池化層的功能：
* 第一，又進行了一次特征提取，所以能減小下一層數據的處理量。
* 第二，能夠獲得更為抽象的信息，從而防止過擬合，也就是提高了一定的泛化性
* 第三，由於這種抽象性，所以能對輸入的微小變化產生更大的容忍，也就是保持了它的不變性，這里的容忍包括圖像的少量平移、旋轉縮放等操作變化。

對於一個 $N\times N$ 的原圖像，通過填充 $P$ (padding)個像素，經過一個步長是 $S$ (stride)的 $F\times F$ (filter)的卷積核，最終特征圖的尺寸為：
$M = \frac{N - F + 2P}{S} + 1$

輸入大小： $W_1\times H_1\times D_1$
需要4個超參數：
- 卷積核個數 $K$
- 卷積核邊長 $F$
- 步長 $S$
- 零填充的數量 $P$
輸出大小：
- $W_2 = \frac{W_1 - F + 2P}{S} + 1$
- $H_2 = \frac{H_1 - F + 2P}{S} + 1$
- $D_2 = K$
參數共享，每一個卷積核有 $F\times F\times D_1$ 個權重參數，共有 $F\times F\times D_1\times K$ 個權重參數和 $K$ 個偏差
通常設置 $K$ 為2的指數，如32，64，128，256，512

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 pytorch卷積的輸入輸出以及計算公式深度學習圖片卷積輸出大小計算公式稅額計算公式 EBITDA的計算公式分貝的計算公式 rem 計算公式齒輪的計算公式深度學習中卷積層和pooling層的輸出計算公式(轉) 【總結】深度學習圖片卷積輸出大小計算公式同比環比計算公式