admin管理员组文章数量:1650768
- 卷积层输入特征图(input feature map)的尺寸为:
Hinput×Winput×Cinput
H
i
n
p
u
t
×
W
i
n
p
u
t
×
C
i
n
p
u
t
- Hinput H i n p u t 表示输入特征图的高
- Winput W i n p u t 表示输入特征图的宽
- Cinput C i n p u t 表示输入特征图的通道数(如果是第一个卷积层则是输入图像的通道数,如果是中间的卷积层则是上一层的输出通道数)
- 卷积层的参数有如下几个:
- 输出通道数为 K K
- 正方形卷积核的边长为
- 步幅(stride)为 S S
- 补零的行数和列数(padding)为
- 输出特征图(output feature map)的尺寸为
Houtput×Woutput×Coutput
H
o
u
t
p
u
t
×
W
o
u
t
p
u
t
×
C
o
u
t
p
u
t
,其中每一个变量的计算方式如下:
- Houtput=(Hintput−F+2P)/S+1 H o u t p u t = ( H i n t p u t − F + 2 P ) / S + 1
- Woutput=(Winput−F+2P)/S+1 W o u t p u t = ( W i n p u t − F + 2 P ) / S + 1
- Coutput=K C o u t p u t = K
- 参数量大小的计算,分为weights和biases:
- 首先来计算weights的参数量: F×F×Cinput×K F × F × C i n p u t × K
- 接着计算biases的参数量: K K
- 所以总参数量为:
版权声明:本文标题:CNN中卷积层参数量与输出特征图(feature map)尺寸的计算公式 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://www.elefans.com/dongtai/1729534874a1205289.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论