在卷積網(wǎng)絡(luò)搭建過程中，遇到了一個(gè)困惑，那就是如何根據(jù)卷積的一些超參數(shù)來計(jì)算網(wǎng)絡(luò)的輸出的大小，即卷積尺寸變化

為了使得計(jì)算過程更加直觀，定義以下參數(shù)

定義

定義

定義

輸入尺寸為

輸出尺寸為

則有卷積尺寸變化為

例如，輸入為

，卷積核為 ，步長(zhǎng) ， ，由以上公式可以得出新的輸出為

輸出任然為28不變

---

但是肯定會(huì)有不能被整除的狀況，在PyTorch中可以看到

池化類似

Shape:- Input: :math:`(N, C, H_{in}, W_{in})`- Output: :math:`(N, C, H_{out}, W_{out})`, where.. math::H_{out} = leftlfloorfrac{H_{in} + 2 * text{padding[0]} - text{dilation[0]}times (text{kernel_size[0]} - 1) - 1}{text{stride[0]}} + 1rightrfloor.. math::W_{out} = leftlfloorfrac{W_{in} + 2 * text{padding[1]} - text{dilation[1]}times (text{kernel_size[1]} - 1) - 1}{text{stride[1]}} + 1rightrfloor

在PyTorch中對(duì)于不能整除的狀況默認(rèn)均為向下取整，可以選擇向上取整

---

肯定有小伙伴在困惑，這些參數(shù)有什么意義嘛，剛開始看到這個(gè)公式的時(shí)候我也有這樣的困惑，但是后來和實(shí)驗(yàn)室?guī)熜纸涣髋?#xff0c;如果我們需要設(shè)定指定大小的輸入輸出，那么中間的超參數(shù)的設(shè)置就很有意義了。

例如輸入為

，采用的是 的卷積核，常規(guī)卷積的步長(zhǎng) ，為了保證輸出也為，那么就需要設(shè)置填充；如果卷積核是 ，那么為了保證輸出也為 ，則需要設(shè)置填充。具體的計(jì)算任然參照上面的公式。

總結(jié)

以上是生活随笔為你收集整理的cnn stride and padding_CNN中的stride、kernel、padding计算的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。