卷积神经网络的输出值计算

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

计算公式:

W2=(W1−F+2P)/S+1$$W_2=(W_1-F+2P)/S+1$$

H2=(H1−F+2P)/S+1$$H_2=(H_1-F+2P)/S+1$$

• W1$W_1$ 是卷积前图像的宽度;
• W2$W_2$ 是卷积后Feature Map的宽度;
• H1$H_1$ 是卷积前图像的高度;
• H2$H_2$ 是卷积后Feature Map的高度;
• P$P$ 是padding数量;
• S$S$ 是stride步长.

---

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