卷积神经网络：由输入大小计算输出大小
(FH,FW)**，输出大小 为(OH,OW)，填充为P，步幅为S。则输出大小可以通过下式计算。当输出大小无法除尽时（就算结果为小数），需要采取报错等对策。输入大小：(7,7)；卷积核大小：(3,3)通过上述式子就可以计算输出大小。但是所设定的值必须使。注：有的深度学习框架会选择四舍五入而不进行报错处理。假设输入大小为**(H,W)所以输出大小(4,4)。
卷积操作
假设输入大小为**(H,W)，卷积核（滤波器）大小为(FH,FW)**，输出大小 为(OH,OW)，填充为P，步幅为S。则输出大小可以通过下式计算。
O H = H + 2 P − F H S + 1 OH = \frac{H + 2P - FH}{S} + 1 OH=SH+2P−FH+1
O W = W + 2 P − F W S + 1 OW = \frac{W + 2P - FW}{S} + 1 OW=SW+2P−FW+1
例1： 输入大小：(7,7)；填充：1；步幅：2；卷积核大小：(3,3)
O H = 7 + 2 × 1 − 3 2 + 1 = 4 OH = \frac{7 + 2×1 - 3}{2} + 1=4 OH=27+2×1−3+1=4
O W = 7 + 2 × 1 − F W 2 + 1 = 4 OW = \frac{7 + 2×1 - FW}{2} + 1=4 OW=27+2×1−FW+1=4
所以输出大小(4,4)。
通过上述式子就可以计算输出大小。但是所设定的值必须使 H + 2 P − F H S \frac{H + 2P - FH}{S} SH+2P−FH和 W + 2 P − F W S \frac{W + 2P - FW}{S} SW+2P−FW分别可以除尽。当输出大小无法除尽时（就算结果为小数），需要采取报错等对策。
注：有的深度学习框架会选择四舍五入而不进行报错处理。
池化操作
假设输入大小为**(H,W)，卷积核（滤波器）大小为(F,F)**，输出大小 为(OH,OW)，填充为P，步幅为S。则输出大小可以通过下式计算。
注：一般情况下，步幅S等于卷积核大小F，即 S = F
公式如下：
O H = H − F S + 1 OH = \frac{H - F}{S} + 1 OH=SH−F+1
O W = W − F S + 1 OW = \frac{W - F}{S} + 1 OW=SW−F+1
例2： 输入大小：(28,28)；步幅：2；卷积核大小：(2,2)
O H = 28 − 2 2 + 1 = 14 OH = \frac{28 - 2}{2} + 1=14 OH=228−2+1=14
O W = 28 − 2 2 + 1 = 14 OW = \frac{28 - 2}{2} + 1=14 OW=228−2+1=14
所以输出大小(4,4)。
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
3
0- 0
已为社区贡献2条内容
所有评论(0)