CNN 特征图计算

艾文教编程

领域专家: 大数据技术领域

2023-01-12 21:54:12

课时名称	课时知识点
CNN 特征图计算	CNN 特征图计算

...全文

189 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

前言特征图大小计算式卷积神经网络中一个很基础的问题，也是一个必须理解的问题。卷到最后我们要知道提取的特征的维度的大小，所以我们必须知道，卷积后特征图的大小。这里我们讲解一下卷积的不同方式以及特征图大小计算的公式。基本公式 width = [(W - F + 2P) + 1] / S height = [(H - F + 2P) + 1] / S 其中，W：矩阵宽，H：矩阵高，F：卷积核宽和...

假设输入图像的宽高为input，卷积核宽高为kernel，步长stride，填充padding（单边填充值），输出特征图的宽高为output。

CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算1. stride步幅2. padding填充3. channel通道4. 计算及例子总结： 1. stride步幅 stride：卷积时的采样间隔设置步幅的目的是希望减小输入参数的数目，减少计算量。stride参数的值就是缩小的倍数，比如步幅为2，就对输入的特征图做2倍下采样，注意步幅并不代表输出时输入的1stride\frac{1}{stride}stride1 2. padding填充 padding：在输入特

1.卷积后的大小： W：矩阵宽，H：矩阵高，F：卷积核宽和高，P：padding（需要填充的0的个数），N：卷积核的个数，S：步长 width：卷积后输出矩阵的宽，height：卷积后输出矩阵的高 width = （W - F + 2P）/ S + 1 height = （H - F + 2P） / S + 1 当conv2d(), max_pool() 中的 padding=SAME时，width=W，height=H，则保证输入输出尺寸图片大小相等，当padding=‘valid’时，P=0，相当于不填

计算卷积神经网络中输出特征图尺寸的关键公式在设计卷积神经网络（CNN）时，准确计算每个卷积层的输出特征图尺寸是至关重要的。这不仅关系到网络的结构设计，也直接影响参数优化和整体性能。适当的计算可以确保网络层正确连接，避免资源浪费，并优化性能。以下内容提供了详细的参数说明和计算过程，包括如何从期望的输出特征图尺寸反向推导所需的padding量。

艾文的课程社区_NO_1

2

社区成员

301

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章