原文链接:https://www.jianshu.com/p/c56a37093cfa
先定义几个参数
- 输入图片大小 W×W
- Filter大小 F×F
- 步长 S
- padding的像素数 P
于是我们可以得出
N = (W − F + 2P )/S+1
输出图片大小为 N×N
如:输入图片的shape为[10,3,227,227],对应输入图片大小为227x227
输出num_output为96,对应通道数
Filter大小(kernel_size)为11,对应为11x11
步长S(stride)为4
N = (W − F + 2P )/S+1 = (227-11+2x0)/4 + 1 = 55
则输出的特征图大小shape为[10,96,55,55].
多说一句:卷积核的个数等于输出特征图的通道数。(这个一般都不会明确说出卷积核的个数)
反卷积得到的图片大小计算方式:
反卷积的大小是由卷积核大小与滑动步长决定, in是输入大小, k是卷积核大小, s是滑动步长, out是输出大小
得到 out = (in - 1) * s + k
例如 输入:2x2, 卷积核:4x4, 滑动步长:3, 输出:7x7 ,其计算过程就是, (2 - 1) * 3 + 4 = 7
2018-04-06:看到转置卷积中存在指定padding的情况,如何计算特征图的大小。(假设padding为p)
out = (in - 1)* s - 2 * p + k (与上式不同的是需要减去两倍的padding)
池化得到的特征图大小计算方式:
卷积向下取整,池化向上取整。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:【总结】深度学习图片卷积输出大小计算公式 - Python技术站