CNN学习（6）：卷积神经网络CNN动态演示和输出特征图计算公式_cnn卷积计算公式

目录

一、卷积运算

1、卷积（Convolution）

2、填充（Padding）

（1）Valid Padding

（2）Same Padding

3、步长

4、卷积核大小为什么一般为奇数×奇数？

5、卷积核kernel和滤波器fliter的区别

二、卷积运算公式

1、经过卷积层输出的图片尺寸

2、卷积层中计算输入通道高度

3、经过池化层的特征图尺寸

4、经过全连接层的输出向量尺寸

5、特别说明

---

为了方便查看，搬运一个比较直观的CNN卷积过程动图：https://zhuanlan.zhihu.com/p/77471866

在线latex公式编辑器：在线LaTeX公式编辑器-编辑器

一、卷积运算

1、卷积（Convolution）

左侧的image是输入数据，右侧的权重矩阵（也就是卷积核kernel）逐步在二维输入数据上进行“扫描”，卷积核按照“步长”进行滑动的同时，计算权重矩阵和扫描得到的数据矩阵的乘积，然后结果相加得到一个输出像素的值。输出的像素值最后组成一个输出矩阵。

2、填充（Padding）

上述运算过程中，输入图像和卷积核进行卷积后得到的二维矩阵比原有规模较小，此时输入图像的边缘处只检测了部分像素点，丢失了图片边缘的部分信息。

为了保证输入和输出的大小保持一致，可以在进行卷积操作之前，对输入矩阵进行边界填充（Padding），也就是在矩阵的边缘填充“0”。

这样填充后，当卷积核扫描输入数据时，能延伸到边缘以外的伪像素，从而使输入和输出的大小相同。

常用的两种padding方法如下。

（1）Valid Padding

• 定义：Valid padding，也称为“无填充”（No Padding），在这种情况下，卷积核只在输入特征图的边界内进行滑动，不进行任何边缘填充。
• 特点：由于没有添加额外的像素，输出特征图的尺寸会小于输入特征图的尺寸。具体来说，如果输入特征图的大小为 
  声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/代码探险家/article/detail/786808