卷积神经网络中特征图大小计算公式总结
Posted L888666Q
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了卷积神经网络中特征图大小计算公式总结相关的知识,希望对你有一定的参考价值。
W:输入特征图的宽,H:输入特征图的高
K:kernel size卷积核宽和高,P:padding(特征图需要填充的0的个数),S:stride步长
width_out:卷积后输出特征图的宽,height_out:卷积后输出特征图的高
普通卷积
计算公式:
width_out = (W - K + 2 * P)/ S + 1(向下取整)
height_out = (H - K + 2 * P) / S + 1(向下取整)
池化
计算公式:
width_out = (W - K)/ S + 1(向下取整)
height_out = (H - K) / S + 1(向下取整)
上采样UpSampling2D
上采样相当于放大多少倍,size=倍数
计算公式:
width_out = W * size
height_out = H * size
转置卷积
转置卷积俗称反卷积,是上采样方式中的一种,转置卷积用来增大特征图的分辨率。
计算公式:
width_out = (W - 1)* S - 2 * P + K
height_out = (H - 1)* S - 2 * P + K
以上是关于卷积神经网络中特征图大小计算公式总结的主要内容,如果未能解决你的问题,请参考以下文章