CNN:卷积输出分辨率计算

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/yz2zcx/article/details/100566539

卷积是CNN非常核心的操作，CNN主要就是通过卷积来实现特征提取的，在卷积操作的计算中会设计到几个概念：步长(strides)、补充(padding)、卷积核(kernel)等，那卷积的输出分辨率计算一般就会与这几个参数有关(空洞或者扩张卷积暂时不纳入这个范围)，以下计算不做说明的话，均考虑卷积核大小为3*3。所以这一篇就以二维卷积为例子简单记录下卷积的一点计算公式。

以下以s代表步长，p代表补充，k代表卷积核、i代表输入分辨率、o代表输出分辨率,[]代表向下取整(因为公式编辑器里找不到向下取整的符号，以此代替)：

一、padding=0、strides=1

这一种比较简单，输出为输入减去卷积核加1：

二、padding=half(same)、strides=1

这种情况是指补充的大小为卷积核一半，即：

输出的计算为：

也就是说，此时的输出是等于输入尺寸的。

三、padding=full

这种情况是指padding的大小等于k-1,步长为1：

四、padding=0,strides!=1

这种情况下，不做补充，但是步长是任意取的，计算公式如下：

五、padding!=0，strides!=1

输出为：

参考

[1] Dumoulin V, Visin F. A guide to convolution arithmetic for deep learning[J]. 2016.

你不愿意种花

你说：

“我不愿看见它一点点凋落”

是的

为了避免结束

您避免了一切开始

  -- 顾城