对于输出的size计算:
out_height=((input_height - filter_height + padding_top+padding_bottom)/stride_height )+1
out_width=((input_width - filter_width + padding_left+padding_right)/stride_width )+1
在以下情况下:
1.四边的padding大小相等。padding_top=padding_bottom=padding_left=padding_right
2.stride_height = stride_width
3.input_height = input_width
4.filter_height = filter_width
此时
out_hw = (input_hw - filter_hw + 2*padding_hw)/stride_hw + 1
相关文章
- 转载:cnn学习之卷积或者池化后输出的map的size计算
- CNN卷积核输出特征图大小的计算(长,宽,维度)和权值共享
- 简明易懂——卷积神经网络的输入输出特征图大小计算
- CNN卷积神经网络_深度残差网络 ResNet——解决神经网络过深反而引起误差增加的根本问题,Highway NetWork 则允许保留一定比例的原始输入 x。(这种思想在inception模型也有,例如卷积是concat并行,而不是串行)这样前面一层的信息,有一定比例可以不经过矩阵乘法和非线性变换,直接传输到下一层,仿佛一条信息高速公路,因此得名Highway Network
- TensorFlow与caffe中卷积层feature map大小计算
- CNN feature map 大小的计算公式