定义:卷积神经网络中特征图上的像素点位于输入图像显示的区域大小。
以上两个感觉是5×5,两个3×3卷积内核等于一个5×5
注意:符合上述卷积的计算公式:
$ $ h {out} = frac {h {in} -k + 2p} {s} $ $ $
方法1:从后来推动公式以解释野生尺寸的计算。需要注意以下几点:
$ $ rfi =(rf {i + 1} - 1)×stride + k $ $
$ rf_i $代表$ i $ lays的野生尺寸的感觉,大步表示步骤,k代表卷积核心大小
流行的解释假设存在以下网络,现在我们需要计算I+1的感觉,然后,然后,
方法2:将公式从背面推动,以解释从网络的输入层到我们想要计算层的感觉的感觉
$ $ rf_ {i + 1} = rf_i +(k -1) * s_i $ $
$ o s_i $ $表示之前的所有步骤的产品,==不包括当前层==,也就是说,
$ o si = product {i = 0}^n stride_i $ $ $
大众理解仍然显示在图中。然后,我们需要计算I+1的野生层的大小,然后,
验证上述示例
方法1:从背面推到第一种情况,使用5×5卷积核,最后一层为1×1,然后感觉野生的最后一层是卷积核心的大小,即5
如果第二种情况使用两个3×3卷积内核(步幅为1),而“临时体验野生”的最后一层是卷积核心的大小,即3×3,感觉野生的第一层是
$ $ rf =(3-1)×1 + 3 = 5 $ $,最后,野生尺寸的最后一层是5
方法2:将第一个案例从背面向后推,并使用5×5卷积核心,然后最后的感觉是野性为5
在第二种情况下,第一个卷积核为3×3,因此初始感觉野生为3,第二卷积核为3×3。
$ o s_i = 1 $ $先前的卷积核的步骤是1
$ $ $ rf_2 = rf_1 +(k-1)s = 3 +(3-1)1 = 3 + 2 = 5 $ $
如上所述,两种情况的感觉为5,与上图一致。
示例输入
conv13*31
pool12*221Conv23*312Pool22*222Conv33*314Conv43*314Pool32*224方法1:从后面推动:pool3:rf = 2
conv4 =(2-1) * 1 + 3 = 4
conv3 =(4-1) * 1 + 3 = 6
pool2 =(6-1) * 2 + 2 = 12
conv2 =(12-1) * 1 + 3 = 14
pool1 =(14-1) * 2 + 2 = 28
conv1 =(28-1) * 1 + 3 = 30
因此,池3的感觉是30
方法2:为了方便计算,上表是在上表中计算出的$ prod_i^nstide_i $,
Conv1的感觉是卷积核心的大小,也就是说
$ o conv1 = 3 $ $
$ pool1 = 3+(k-1)s = 3 +(2-1)1 = 3 +1 = 4 $ $
$ o conv2 = 4+(k -1)s = 4+(3-1)2 = 4+4 = 8 $ o
$ pool2 = 8 +(k-1)s = 8 +(2-1)2 = 8 + 2 = 10 $ $
$ o conv3 = 10 +(k-1)s = 10 +(3-1)4 = 10 + 8 = 18 $ $
$ o conv4 = 18+(k-1)s = 18+(3-1)4 = 18+8 = 26 $ $
$ pool3 = 26+(k-1)s = 26 +(2-1)4 = 26 +4 = 30 $ o
如上所述,通过两个计算获得的结果相同
[1] https://zhuanlan.zhihu.com/p/113487374
[2] https://blog.csdn.net/program_developer/details/80958716
[3] https://blog.csdn.net/qq_41076797/article/details/1144444415
[4] http://www.360doc.com/content/20/1012/21/32196507_9401443.shtml
本文由博客的多个平台OpenWrite发表!
原始:https://juejin.cn/post/7093440381336944670