卷积神经网络的输出计算

卷积神经网络的输出计算

  • 参考自 https://www.zybuluo.com/hanbingtao/note/485480

假设有一个7 \times 7 \times 3的输入层(补白padding为1), 使用一个3 \times 3 \times 3 \times 2的Filter, 步长(stride)为1进行卷积, 得到一个3 \times 3 \times 2的Feature Map. 具体计算操作如下:

cnn.gif

计算公式:

W_2 = (W_1 - F + 2P) / S + 1
H_2 = (H_1 - F + 2P) / S + 1

  • W_1 是卷积前图像的宽度;
  • W_2 是卷积后Feature Map的宽度;
  • H_1 是卷积前图像的高度;
  • H_2 是卷积后Feature Map的高度;
  • P 是padding数量;
  • S 是stride步长.

  • 我的个人主页:http://www.techping.cn/
  • 我的CSDN博客:http://blog.csdn.net/techping
  • 我的:http://www.jianshu.com/users/b2a36e431d5e/
  • 我的GitHub:https://github.com/techping

你可能感兴趣的:(卷积神经网络的输出计算)