【圖解】神經網絡各種層的輸入輸出尺寸計算
看到網上有很多計算神經網絡各種層的輸入輸出尺寸的公式,但是往往只是直接給出公式,並沒有教給我們如何得到這種公式的,自己學習的時候,做一下記錄以及圖解
卷積層
首先給出公式,這裏肯定假設輸入圖像是等寬高的,用到的字母如下:
字母名稱 | 含義 |
---|---|
輸入圖片的大小爲 | |
卷積核的大小爲 | |
padding爲 | |
步長爲 |
則輸出圖像的尺寸爲,其中
具體是怎麼得到這個公式的呢,我們下面舉個具體的例子。比方說輸入尺寸爲,卷積核大小爲,padding爲1,步長爲2。
原始圖像爲:
卷積的兩種padding
方式:
same
的意思是,這個same
的意思是輸出的尺寸和輸入的尺寸一樣,這就要求,步長爲1,
valid
的意思是,不補零,輸出尺寸會變小。
池化層
由於池化操作也是滑動窗口的方式,因此和卷積層的參數計算方式是一樣的。
全連接層
全連接層的輸入輸出是固定的,指定多少就是多少。