神经网络之卷积层，池化层输出大小计算
设计网络卷积层的参数：（1）输入图片大小（矩形）： AA（2）卷积核大小： KK（3）步长： S（4）填充padding： p那么卷积层的输出为： N = (A − k + 2p ) / s + 1
·
卷积后图片输出大小几个数
W:图像宽，H:图像高，D:图像深度（通道数）
F：卷积核宽高，N:卷积核（过滤器）个数
S:步长，P:用零填充个数
卷积后输出图像大小：
Width=(W-F+2P)/S+1
Height=(H-F+2P)/S+1
卷积后输出图像深度： N=D
输出图像大小： （width，height，N）
weight个数： FFDN
bias个数： N
总结：卷积输出大小=[（输入大小-卷积核（过滤器）大小+2P）／步长]+1
通用的卷积时padding 的选择
如卷积核宽高为3时 padding 选择1
如卷积核宽高为5时 padding 选择2
如卷积核宽高为7时 padding 选择3
池化后图片输出大小及个数
W:图像宽，H:图像高，D:图像深度（通道数）
F：卷积核宽高，S:步长
池化后输出图像大小：
W=(W-F)/S+1
H=(H-F)/S+1
池化后输出图像深度： N=D
总结：池化输出大小=[（输入大小-卷积核（过滤器）大小）／步长]+1
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
8
0- 0
已为社区贡献3条内容
所有评论(0)