神经网络各种层的输入输出尺寸计算"/>
【图解】神经网络各种层的输入输出尺寸计算
【图解】神经网络各种层的输入输出尺寸计算
看到网上有很多计算神经网络各种层的输入输出尺寸的公式,但是往往只是直接给出公式,并没有教给我们如何得到这种公式的,自己学习的时候,做一下记录以及图解
卷积层
首先给出公式,这里肯定假设输入图像是等宽高的,用到的字母如下:
字母名称 | 含义 |
---|---|
I I I | 输入图片的大小为 I × I I\times I I×I |
K K K | 卷积核的大小为 K × K K\times K K×K |
P P P | padding为 P P P |
S S S | 步长为 S S S |
则输出图像的尺寸为 O × O O\times O O×O,其中
O = I + 2 P − K S + 1 O = \frac{I + 2P-K}{S} + 1 O=SI+2P−K+1
具体是怎么得到这个公式的呢,我们下面举个具体的例子。比方说输入尺寸为 5 × 5 5\times5 5×5,卷积核大小为 3 × 3 3\times3 3×3,padding为1,步长为2。
原始图像为:
卷积的两种padding
方式:
same
的意思是,这个same
的意思是输出的尺寸和输入的尺寸一样,这就要求,步长为1,
P = I − 1 2 P=\frac{I-1}{2} P=2I−1
valid
的意思是,不补零,输出尺寸会变小。
池化层
由于池化操作也是滑动窗口的方式,因此和卷积层的参数计算方式是一样的。
全连接层
全连接层的输入输出是固定的,指定多少就是多少。
更多推荐
【图解】神经网络各种层的输入输出尺寸计算
发布评论