[AI算法][深度学习]：卷积神经网络中卷积和池化特征图的维度变化（不能被整除问题）
在卷积的过程中，卷积核大小kernel_sizekernel\_sizekernel_size，填充PaddingPaddingPadding，步长StrideStrideStride。都会影响卷积输出的维度。假设输入维度为H∗W∗CH*W*CH∗W∗C，卷积核的大小为kkk，填充值为ppp，步长为sss，则输出特征图的维度为H′∗W′∗C′H'*W'*C'H′∗W′∗C′，参数量为：k2×&nb
在卷积的过程中，卷积核大小kernel_sizekernel\_sizekernel_size，填充PaddingPaddingPadding，步长StrideStrideStride。都会影响卷积输出的维度。假设输入维度为H∗W∗CH*W*CH∗W∗C，卷积核的大小为kkk，填充值为ppp，步长为sss，则输出特征图的维度为H′∗W′∗C′H'*W'*C'H′∗W′∗C′，参数量为：k2× C× C′+C′k^2\times\ C\times\ C'+C'k2× C× C′+C′
H′=H+2p−ks+1 H'=\frac {H+2p-k}{s}+1 H′=sH+2p−k+1
而当计算池化操作时，参数量为0，且由于没有padding操作，则：
H′=H−ks+1 H'=\frac {H-k}{s}+1 H′=sH−k+1
特别的：
当计算尺寸不被整除时，卷积向下取整，池化向上取整。（只在GoogLeNet中遇到过。）
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
6
0- 0
已为社区贡献7条内容
所有评论(0)