例）
卷积过程是CNN的核⼼，准确推导各卷积层输出的维度是实现CNN的基础，下⾯总结⼀下CNN卷积过程中输出特征图的尺⼨与维度变化规律.motorala
CNN常以图像作为输⼊，例如VGG的输⼊图像格式就为224*224*3，其中224*224是图像的height*width，3是通道数。因德怀特沃尔多
友商网在线会计此，VGG的输⼊数据实际上是⼀个三维的变量，卷积层中的卷积核相应也应是三维。通常情况下，输⼊图像的height与width相等，卷积核也往往只有⼀个参数——卷积核⼤⼩。常⽤的卷积核有1*1*1、3*3*3、5*5*5、7*7*7等，如今更偏向使⽤⼩卷积核，因为其堆叠起来可以获得与⼤卷积核相似的感受野，同时参数量⼤⼤减少。下图是VGG模型的各层参数：
赤纬角在上图中，conv3-64表⽰该卷积层使⽤的是3*3*3卷积核，卷积核数量为64，因此该卷积层输出数据的维度应为64维。同理可
得，VGG最后输出数据的维度为512维。
那么，在卷积过程中，各卷积层输出的特征图尺⼨（height*width）是如何变化的呢？特征图的尺⼨主要与卷积核的⼤⼩、步长、输⼊图的尺⼨与填充量有关。常⽤的Tensorflow框架有两种填充模式——same与valid，same表⽰⽤0填充，输出尺⼨与输⼊尺⼨相同；valid 不填充。因为特征图尺⼨的推导
公式通过画出⽰意图，根据卷积公式可以轻易得到，所以直接摆出结果：
valid:
height = (H-F)/S+1;width = (W-F)/S+1;H、W分别指输⼊图的尺⼨，F为卷积核⼤⼩，S表⽰步长。中国之网
湛江师范学院图书馆
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议