已解决
如何计算3种卷积之后的尺寸(普通卷积,转置卷积,空洞卷积)
来自网友在路上 145845提问 提问时间:2023-09-26 14:09:31阅读次数: 45
最佳答案 问答题库458位专家为你答疑解惑
文章目录
- 前言
- 一、普通卷积
- 二、转置卷积
- 三、空洞卷积
前言
三种卷积之后的feature map的尺寸如何计算。包括普通卷积,转置卷积,空洞卷积。可以在下面这个链接看到三种卷积的动态图。
卷积动态图
一、普通卷积
普通卷积比较简单了,其计算方式如下:
二、转置卷积
首先要明白转置卷积的计算过程。其中的参数p,s和普通卷积所代表的意义不一样。
其计算过程如下:
一定要清楚其种p,s和普通卷积种的p,s所代表意思不一样,清楚了其运算过程,再来看如何计算经过卷积之后的尺寸。
这样就跟pytorch文档中的计算公式对的上了
H=(H−1)×stride[0]−2×padding[0]+dilation[0]×(kernel_size[0]−1)+output_padding[0]+1
忽略dilation,默认为1,忽略output_padding,默认为0。
在使用转置卷积进行上采样时,通常令s等于上采样倍数,然后再去指定k和p的值。
三、空洞卷积
空洞卷积就是在卷积核之间填充0,填充(r-1)行(r-1)列
计算经过空洞卷积之后的尺寸为
这也和pytorch的文档对应上了
查看全文
99%的人还看了
相似问题
- CNN卷积神经网络Python实现
- 竞赛 题目:基于机器视觉opencv的手势检测 手势识别 算法 - 深度学习 卷积神经网络 opencv python
- 时序预测 | Python实现ConvLSTM卷积长短期记忆神经网络股票价格预测(Conv1D-LSTM)
- 卷积神经网络(CNN)天气识别
- FSOD论文阅读 - 基于卷积和注意力机制的小样本目标检测
- YOLOv8改进 | 如何在网络结构中添加注意力机制、C2f、卷积、Neck、检测头
- 人工智能-卷积神经网络之多输入多输出通道
- 多维时序 | MATLAB实现TCN-selfAttention自注意力机制结合时间卷积神经网络多变量时间序列预测
- 基于轻量级卷积神经网络CNN开发构建打架斗殴识别分析系统
- 利用梯度上升可视化卷积核:基于torch实现
猜你感兴趣
版权申明
本文"如何计算3种卷积之后的尺寸(普通卷积,转置卷积,空洞卷积)":http://eshow365.cn/6-14001-0.html 内容来自互联网,请自行判断内容的正确性。如有侵权请联系我们,立即删除!
- 上一篇: 蓝桥等考Python组别一级001
- 下一篇: Linux系统如何将新硬盘挂载到Home目录下