简介
卷积之后的尺寸大小计算公式为:
输入图片大小 W×W
Filter大小 F×F
步长strides S
padding的像素数 P
输出大小为NxN
我们可以得出
\large N= \tfrac{W-F+2*P}{S}+1 (公式1)
长宽不等时,卷积之后的计算公式也是如此,只需分别计算即可。
在实际操作时,我们还会碰到 padding的两种方式 “SAME” 和 “VALID”,padding = “SAME”时,会在图像的周围填 “0”,padding = “VALID”则不需要,即 P=0。一般会选“SAME”,以来减缓图像变小的速度,二来防止边界信息丢失(即有些图像边界的信息发挥作用较少)。
注意!!!
此时可能会发现,按照这两中方式,按照上面的公式怎么不对呀
其实公式是没有问题的,
padding = “VALID”: P=0
padding = “SAME”: kernel_size=1时,P=0;kernel_size=3时,P=1;kernel_size=5时,P=2,以此类推。
问题可能也就出在上面
tensorflow官网给出了另一种计算方式,也是正确的:
padding = “SAME”时:
\large N= \left \lceil \tfrac{W}{S} \right \rceil ( 解释:输入w / 步长s 之后向上取整) (公式2)
padding = “VALID”时:
\large N= \left \lceil \tfrac{W-F+1}{S} \right \rceil (也是向上取整) (公式2)
举例说明
当
输入是55,
卷积核是33,
步长S = 2
padding= “SAME”时:
根据公式1:
\large N= \tfrac{W-F+2*P}{S}+1=\tfrac{5-3+2*1}{2}+1 = 3
根据公式2:
\large N= \left \lceil \tfrac{W}{S} \right \rceil=\left \lceil \tfrac{5}{2} \right \rceil=\left \lceil 2.5 \right \rceil=3
padding= “VALID”时:
根据公式1:
\large N= \tfrac{W-F+2*P}{S}+1=\tfrac{5-3+2*0}{2}+1 = 2
根据公式3:
\large N= \left \lceil \tfrac{W-F+1}{S} \right \rceil=\left \lceil \tfrac{5-3+1}{2} \right \rceil=\left \lceil 1.5 \right \rceil=2