深度神经网络Tensorflow里卷积后feature map的大小
2017-06-23 18:00
357 查看
深度神经网络Tensorflow里卷积后feature map的大小
feature map的大小和输入、filter、步长都有直接的关系。网上大多是步长为1的情况,自己总结了个公式。举个例子,输入是5x5维的tensor,卷积核filter为3x3,步长stride为1的时候
input: 5x5
filter: 3x3
stride: 1x1
最终feature map为:3x3
步长不为1的时候,输入维数又很大的时候,该怎么计算,经过自己的研究得出公式:
input_size: 输入维数大小
filter_size: 卷积核大小
stride: 步长
feature map = ⌈ (input_size - filter_size + stride) / stride ⌉ ;;上取整,边界不丢弃
以上面的例子再算一次
⌈(5-3+1) / 1 ⌉ = 3
再以AlexNet
的结构里第一层卷积验证下,如下图输入 224x224 卷积核 11x11, 步长4
feature map=⌈(224-11+4) / 4 ⌉ = 55
相关文章推荐
- tensorflow1.1/构建深度卷积神经网络识别物体识别
- 深度学习之卷积神经网络入门(2)
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- 深度学习方法(十一):卷积神经网络结构变化——Google Inception V1-V4,Xception(depthwise convolution)
- (#########优化器函数########)TensorFlow实现与优化深度神经网络
- TensorFlow 深度学习笔记 TensorFlow实现与优化深度神经网络
- 深度学习1——深度学习(四)卷积神经网络入门学习(1)
- 深度学习之卷积神经网络学习摘录(一)
- 深度学习(三十八)卷积神经网络入门学习(2.0)
- 深度学习方法(十):卷积神经网络结构变化——Maxout Networks,Network In Network,Global Average Pooling
- TensorFlow实现与优化深度神经网络
- 深度学习之卷积神经网络总结
- TensorFlow深度学习笔记 循环神经网络实践
- 深度学习之卷积神经网络编程实现(二)
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- 深度学习与自然语言处理之四:卷积神经网络模型(CNN)
- TensorFlow深度学习笔记 循环神经网络实践
- (尤其是训练集验证集的生成)深度学习 tensorflow 实战(2) 实现简单神经网络以及随机梯度下降算法S.G.D
- 深度神经卷积网络总结