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

计算机视觉算法——图像分类网络总结

卷积神经网络中感受野计算

卷积网络图像分类特征提取部分调参技巧(pytorch)

卷积神经网络的计算

深度学习笔记感受野计算

卷积神经网络物体检测之感受野大小计算