卷积后尺寸计算

定义几个参数

• 输入图片大小 W×W

• Filter大小 F×F

• 步长 S

• padding的像素数 P

 

首先讲tensorflow中

 

 

 SAME: ceil(5/2)=3

VAILD

p = 0

(5-3+0)/2+1 = 2

卷积中的参数“SAME”,和‘VALID’决定了输出尺寸的计算公式：

如果参数是‘’SAME''，那么计算只与步长有关，直接除以步长(除不尽，向上取整)

如果参数是‘VALID’,那么计算公式如上：N = (W − F + 2P )/S+1

 

这里对比max_pooling中的SAME VALID

在我看来，'VALID'意味着做最大池时，边外没有零填充。
根据A guide to convolution arithmetic for deep learning，它表示池化操作符中没有填充，即只使用tensorflow的'VALID'。但是什么是tensorflow中最大池的'SAME'填充？

最佳解决方案
我举一个例子来说明一点：
x：shape[2,3]，1通道的输入图像
valid_pad：具有2x2内核，步幅2和VALID填充的最大池化。
same_pad：最大池化，2x2内核，步幅2和SAME填充(这是经典的方法)
输出形状为：
valid_pad：这里没有填充，所以输出形状为[1,1]
same_pad：在这里，我们将图像填充到形状[2,4](使用-inf，然后应用最大池化)，因此输出形状为[1,2]

x = tf.constant([[1., 2., 3.],
                 [4., 5., 6.]])

x = tf.reshape(x, [1, 2, 3, 1])  # give a shape accepted by tf.nn.max_pool

valid_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='VALID')
same_pad = tf.nn.max_pool(x, [1, 2, 2, 1], [1, 2, 2, 1], padding='SAME')

valid_pad.get_shape() == [1, 1, 1, 1]  # valid_pad is [5.]
same_pad.get_shape() == [1, 1, 2, 1]   # same_pad is  [5., 6.]

　　

其次讲pytorch中

 

 

 

最后讲理论推导：

N = (W − F + 2P )/S+1
输出图片大小为 N×N  

转载于:https://www.cnblogs.com/ivyharding/p/11147686.html