卷积神经网络中卷积和池化特征图的维度变化（不能被整除问题）

在卷积的过程中，卷积核大小kernel_sizekernel\_sizekernel_size，填充PaddingPaddingPadding，步长StrideStrideStride。都会影响卷积输出的维度。假设输入维度为H∗W∗CH*W*CH∗W∗C，卷积核的大小为kkk，填充值为ppp，步长为sss，则输出特征图的维度为H′∗W′∗C′H'*W'*C'H′∗W′∗C′，参数量为：k2×C×C′+C′k^2\times\ C\times\ C'+C'k2× C× C′+C′
H′=H+2p−ks+1H'=\frac {H+2p-k}{s}+1 H′=sH+2p−k+1
而当计算池化操作时，参数量为0，且由于没有padding操作，则：
H′=H−ks+1H'=\frac {H-k}{s}+1 H′=sH−k+1
特别的：
当计算尺寸不被整除时，卷积向下取整，池化向上取整。（只在GoogLeNet中遇到过。）

卷积神经网络中卷积和池化特征图的维度变化（不能被整除问题）相关推荐

卷积神经网络中的各种池化操作
参考:https://www.cnblogs.com/pprp/p/12456403.html 池化操作(Pooling)是CNN中非常常见的一种操作,Pooling层是模仿人的视觉系统对数据进行降维 ...
双线性池化_卷积神经网络中的各种池化操作
池化操作(Pooling)是CNN中非常常见的一种操作,Pooling层是模仿人的视觉系统对数据进行降维,池化操作通常也叫做子采样(Subsampling)或降采样(Downsampling),在构建 ...
深度学习之卷积神经网络（7）池化层
深度学习之卷积神经网络(7)池化层在卷积层中,可以通过调节步长参数s实现特征图的高宽成倍缩小,从而降低了网络的参数量.实际上,处理通过设置步长,还有一种专门的网络层可以实现尺寸缩减功能,它就是这里要 ...
基于卷积神经网络和时域金字塔池化的语音情感分析
基于卷积神经网络和时域金字塔池化的语音情感分析一.概述这是最近学习<Speech Emotion Recognition Using Deep Convolutional Neural ...
group convolution (分组卷积)的计算量详解、卷积计算量特征图大小，池化特征图大小、深度通道deep-wise 卷积
group convolution (分组卷积)的计算量详解.卷积计算量特征图大小,池化特征图大小.深度通道deep-wise 卷积提示:最近忙着各种提前批的笔试面试,所以没太多空刷题了都,先复盘一 ...
卷积网络中的通道(Channel)和特征图
卷积网络中有一个很重要的概念,通道(Channel),也有叫特征图(feature map)的. 首先,卷积网络中主要有两个操作,一个是卷积(Convolution),一个是池化(Pooling). ...
（转）卷积网络中的通道(Channel)和特征图
今天介绍卷积网络中一个很重要的概念,通道(Channel),也有叫特征图(feature map)的. 首先,之前的文章也提到过了,卷积网络中主要有两个操作,一个是卷积(Convolution),一个 ...
深入学习卷积神经网络中卷积层和池化层的意义（转）
为什么要使用卷积呢? 在传统的神经网络中,比如多层感知机(MLP),其输入通常是一个特征向量:需要人工设计特征,然后将这些特征计算的值组成特征向量,在过去几十年的经验来看,人工找到的特征并不是怎么好用 ...
深入学习卷积神经网络中卷积层和池化层的意义
为什么要使用卷积呢? 在传统的神经网络中,比如多层感知机(MLP),其输入通常是一个特征向量:需要人工设计特征,然后将这些特征计算的值组成特征向量,在过去几十年的经验来看,人工找到的特征并不是怎么好用 ...

卷积神经网络中卷积和池化特征图的维度变化（不能被整除问题）

卷积神经网络中卷积和池化特征图的维度变化（不能被整除问题）相关推荐

最新文章

热门文章