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
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


所有评论(0)