卷积、池化、反卷积、空洞卷积的输出大小计算公式

卷积

对于卷积经过某层后的特征图大小计算方式:
h2 = (h1-k+2p)/s + 1
w2 = (w1-k+2p)/s + 1

总结:卷积输出大小=[(输入大小-卷积核大小+2*Padding)/步长]+1
所以当stride为1时,当卷积核的大小比padding的两倍大1时,可以不改变特征图的尺寸,只改变通道数。

池化

对于池化:
H=(H-K)/S+1
W=(W-K)/S+1

总结:池化输出大小=[(输入大小-卷积核大小)/步长]+1

反卷积

反卷积输出大小
(input_size-1)×stride+kernel_size-2padding+outputpadding

空洞卷积

空洞卷积的等效卷积核大小:
ke = k + (k − 1)(r − 1)
k为原始卷积核大小,r为dia rate参数。
输出计算同卷积运算。

你可能感兴趣的:(深度学习,卷积,卷积神经网络,计算机视觉,神经网络)