卷积神经网络之卷积操作的计算详解(总结)

目录

1. 输入图像为正方形
2. 输入图像为矩形
3. 卷积操作的三种模式
4. 池化操作
5. 空洞卷积

1.图像为正方形

在这里插入图片描述

W:输入图像尺寸
F:卷积核大小
P:padding填充
S:为步长
N:卷积后输出的图像尺寸

2.图像为矩形,输入尺寸为W×H

在这里插入图片描述

3.卷积操作的三种模式

在这里插入图片描述

3.1Full mode :遇到第一个像素就开始卷积,full模式卷积后的图像大小为

其中,步长为1,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:(N1+N2-1) x (N1+N2-1)

3.2Same mode : 返回卷积中心大小与输入图像的中心部分,same模式卷积后的图像大小为
其中,步长为1,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小为:N1×N1(步长为1,卷积后大小不变)

3.3Vaild mode : 滑动步长为S,图片大小为N1xN1,卷积核大小为N2xN2,卷积后图像大小:(N1-N2)/S+1 ,padding为0

4.池化操作

池化操作后图像尺寸如下:

在这里插入图片描述

扫描二维码关注公众号,回复: 15892077 查看本文章

W:为图像宽
H:为图像高
F:为卷积核尺寸
S:为步长
D:为图像深度(通道数)

[若有余数,则向下取整]

5.空洞卷积

在这里插入图片描述

d:为空洞卷积的空洞率
p:为padding
K:为卷积核的尺寸
S:为步长

猜你喜欢

转载自blog.csdn.net/weixin_44312422/article/details/121009357