CNN卷积后Size计算

来个详细版的如下：

source

来个简版的如下：

source

padding =“SAME”的情况：

这里插一句帮助理解：自动补全的话，考虑步长为1，每一卷积从第一个维度开始一步一步移动，直到最后一个维度，那么输出肯定是和原来的维度一样，如果步长不是1比如为2 就要向上取整。比如7*7的图像采用3*3大小的卷积核进行卷积操作，padding = “SAME”的情况下就是[7/3] = 4,最后输出为4*4大小的feature map

没图说个基：

source

① padding = “value”, stride = 4, (227 - 11 + 2*0）/ 4 + 1 = 55

② padding = “value”, stride = 2, (55 - 3 + 2*0）/  2 + 1 = 27

③ padding = “same”, stride = 1, 27 / 1 = 27

④ padding = “value”,stride = 2, (27 - 3 + 2*0) / 2 + 1 = 13

来个例子:

input = tf.Variable(tf.random_normal([64,5,5,3]))
filter = tf.Variable(tf.random_normal([3,3,3,16]))

op_1 = tf.nn.conv2d(input,filter,strides = [1,1,1,1],padding = "SAME")
op_2 = tf.nn.conv2d(input,filter,strides = [1,2,2,1],padding = "SAME")


init = tf.global_variables_initializer()

sess = tf.InteractiveSession()

sess.run(init)

print(np.shape(sess.run(op_1)))
print(np.shape(sess.run(op_2)))

output:

(64, 5, 5, 16)

(64, 3, 3, 16)

            </div>

来个详细版的如下：

source

来个简版的如下：

source

padding =“SAME”的情况：

这里插一句帮助理解：自动补全的话，考虑步长为1，每一卷积从第一个维度开始一步一步移动，直到最后一个维度，那么输出肯定是和原来的维度一样，如果步长不是1比如为2 就要向上取整。比如7*7的图像采用3*3大小的卷积核进行卷积操作，padding = “SAME”的情况下就是[7/3] = 4,最后输出为4*4大小的feature map

没图说个基：

source

① padding = “value”, stride = 4, (227 - 11 + 2*0）/ 4 + 1 = 55

② padding = “value”, stride = 2, (55 - 3 + 2*0）/  2 + 1 = 27

③ padding = “same”, stride = 1, 27 / 1 = 27

④ padding = “value”,stride = 2, (27 - 3 + 2*0) / 2 + 1 = 13

来个例子:

input = tf.Variable(tf.random_normal([64,5,5,3]))
filter = tf.Variable(tf.random_normal([3,3,3,16]))

op_1 = tf.nn.conv2d(input,filter,strides = [1,1,1,1],padding = "SAME")
op_2 = tf.nn.conv2d(input,filter,strides = [1,2,2,1],padding = "SAME")


init = tf.global_variables_initializer()

sess = tf.InteractiveSession()

sess.run(init)

print(np.shape(sess.run(op_1)))
print(np.shape(sess.run(op_2)))

output:

(64, 5, 5, 16)

(64, 3, 3, 16)

            </div>