计算卷积层中的输出大小

Posted 2023-02-16

【中文标题】计算卷积层中的输出大小

【英文标题】：Calculate the output size in convolution layer [closed]

【发布时间】：2019-05-03 22:34:17

【问题描述】：

如果神经网络卷积层的输入是大小为 128X128X3 的图像并应用 40 个大小为 5X5 的过滤器，那么输出大小是多少？

【问题讨论】：

我投票结束这个问题，因为它与 help center 中定义的编程无关，而是关于 ML 理论和/或方法 - 请参阅 machine-learning @ 中的介绍和注意事项987654322@.

【参考方案1】：

你可以使用这个公式[(W−K+2P)/S]+1。

W 是输入音量 - 在你的情况下是 128 K 是内核大小 - 在您的情况下为 5 P 是填充 - 在你的情况下我相信 0 S 是步幅 - 您没有提供。

所以，我们输入公式：

Output_Shape = (128-5+0)/1+1

Output_Shape = (124,124,40)

注意：如果未提供，Stride 默认为 1，(124, 124, 40) 中的 40 是用户提供的过滤器数量。

【讨论】：

延伸阅读：en.wikipedia.org/wiki/…

如果计算的大小不是整数怎么办？数字应该如何四舍五入？

@asalimih 我刚刚进行了一个小测试，在我的情况下似乎四舍五入。随意创建一个输入形状为 224 的模型并进行复制！

@PyWalker2797 afaik 它不是因为在输入平面上完成操作的方式是针对每个通道的，无论输入通道的数量如何。

这应该是一个例外的答案，谢谢@TheBrownBatman

【参考方案2】：

您可以通过两种方式找到它： 简单方法：input_size - (filter_size - 1)

W - (K-1)
Here W = Input size
            K = Filter size
            S = Stride
            P = Padding

但是第二种方法是找到输出大小的标准。

Second method: (((W - K + 2P)/S) + 1)
        Here W = Input size
        K = Filter size
        S = Stride
        P = Padding 

【讨论】：

其他读者可以发WolframAlpha computation of this formula快速查看其中一些参数的效果。

【参考方案3】：

让我从简单的开始；因为你有输入和过滤器的方阵让我得到一维。然后您可以将相同的方法应用于其他维度。想象一下你在树之间建栅栏，如果有 N 棵树，你必须建 N-1 个栅栏。现在将这个类比应用于卷积层。

您的输出大小将是：输入大小 - 过滤器大小 + 1

因为你的过滤器只能有 n-1 个步骤作为我提到的栅栏。

让我们用这个想法计算你的输出。 128 - 5 + 1 = 124 其他维度也一样。所以现在你有一个 124 x 124 的图像。

这是一个过滤器。

如果你应用这个 40 次，你会得到另一个尺寸：124 x 124 x 40

如果您想了解更多关于高级卷积算法的信息，这里是一个很好的指南：https://arxiv.org/pdf/1603.07285.pdf

【参考方案4】：

公式：n[i]=(n[i-1]−f[i]+2p[i])/s[i]+1

在哪里，

n[i-1]=128

f[i]=5

p[i]=0

s[i]=1

所以，

n[i]=(128-5+0)/1+1 =124

所以输出层的大小为：124x124x40 其中“40”是过滤器的数量

【参考方案5】：

(124*124*3)*40 = 1845120 宽度 = 124 高度 = 124 深度 = 3 号过滤器 = 40 步幅 = 1 填充 = 0