卷积网络步长&填充大小与输入输出大小的关系_深度学习卷积核为5*5 步长为2

作者：你好赵伟 | 2024-07-04 14:23:09

踩

深度学习卷积核为5*5 步长为2

卷积网络步长&填充大小与输入输出大小的关系

卷积层的维度计算

假设卷积层的输入大小x*x为5*5，卷积核大小k*k为3*3,步长stride为2，假设不填充，输出维度将会是(x-k)/2+1,即为2*2；如果步长为1，那么输出将会是3*3.步长为1的前向传波和反向传播已有很多推导，不再赘述。

在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数。这里有一些设计时候的计算公式，方便得到各层的参数。

这里简化下，约定：

没有填充，单位步长

零填充，单位步长

参考图如下图所示;

不填充，非单位步长

零填充，非单位步长

示意图如下：

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/你好赵伟/article/detail/787181