卷積操作中特徵值大小的計算
感想
今年對我來說是非常重要的一年，面臨著找工作和發論文的壓力，因此，我打算把我機器學習刷題之路記錄下來，我認為刷題要把原理弄明白，所以我整理了分析的內容，作為對自己的提高，也希望對大家能夠有所幫助。
Problem
輸入圖片大小為200×200，依次經過一層卷積（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一層卷積（kernel size 3×3，padding 1，stride 1）之後，輸出特徵圖大小為：
答案：97
analysis
計算尺寸不被整除只在GoogLeNet中遇到過。卷積向下取整，池化向上取整。
（200-5+2*1）/2+1 為99.5，取99
（99-3）/1+1 為97
（97-3+2*1）/1+1 為97
答案是算出來了，我總感覺有點問題，後面的+1有點怪怪的
而我搜索的公式是下面這樣的：
這裡提供一個計算每一層輸出影象的size的公式。無論是卷積層還是pooling層，公式都是這樣的：
(( input_size + 2*padding - kernel_size ) / stride ) +1= output_size
其中，padding指對input的影象邊界補充一定數量的畫素，目的是為了計算位於影象邊界的畫素點的卷積響應；kernel_size指卷積核的大小；stride指步長，即卷積核或者pooling視窗的滑動位移。另外需要注意，上面公式建立在所有引數都為整數的假設基礎上。
如果padding在題目中指的是圖片外圍補充邊界的話，我模擬手算了一下，確實是這樣的，可能題目就是題目，我們要按照題目的意思來才行吧。
參考文獻
[1].卷積神經網路.http://blog.csdn.net/l281865263/article/details/46378149
[2].機器學習筆試題.http://blog.csdn.net/u011204487/article/details/77370278
相關推薦
卷積操作中特徵值大小的計算
感想 今年對我來說是非常重要的一年，面臨著找工作和發論文的壓力，因此，我打算把我機器學習刷題之路記錄下來，我認為刷題要把原理弄明白，所以我整理了分析的內容，作為對自己的提高，也希望對大家能夠有所幫助。 Problem 輸入圖片大小為200×200，依次經過一層卷積（
TensorFlow與caffe中卷積層feature map大小計算
剛剛接觸Tensorflow，由於是做影象處理，因此接觸比較多的還是卷及神經網路，其中會涉及到在經過卷積層或者pooling層之後，影象Feature map的大小計算，之前一直以為是與caffe相同的，後來查閱了資料發現並不相同，將計算公式貼在這裡，以便查閱： caffe中： TF中：
深度學習：圖片卷積或濾波器操作後輸出大小計算 stride vs padding
先定義幾個引數 輸入圖片大小 W×W Filter大小 F×F （相當於卷積核大小，也可看作濾波器大小，卷積也是一種濾波） 步長 S（stride) padding的畫素個數 P 於是我們可以得出 N = (W − F + 2P )/S
理解影象中卷積操作的含義
上文用生動的例子來解釋卷積記載了卷積的含義，現在就來看看卷積在影象處理中的應用吧。（ps：本文大部分內容系轉載大神的部落格，現在csdn強制圖片水印，實在感到很無奈！！！） 數字影象處理中卷積 數字影象是一個二維的離散訊號，對數字影象做卷積操作其實就是利用卷
手動實現卷積神經網路中的卷積操作（conv2d）
寫這個的原因：一來好像沒怎麼搜到別人手動實現，作為補充；二來鞏固一下基礎。 卷積操作示意 先從一張示意圖說起，卷積基礎概念和操作步驟就不囉嗦了，只講這張圖，大意就是，有in-channel，有out-channel，你需要把in-channel都做卷積操作，然
CNN中的卷積操作
CNN中的卷積 很多文章都介紹過卷積的操作：用一個小的卷積核在影象上滑動，每次滑動計算出一個值，比如用3*3的卷積核卷積一個5*5的矩陣（不考慮擴充套件邊緣），過程如下： 卷積操作在二維平面上很好理解，但是在CNN中，被卷積的矩陣是有深度的： 這個
卷積網絡輸出尺寸計算
卷積 步長 圖片 網絡 lock 素數 是我 大小 我們 先定義幾個參數 輸入圖片大小 W×W Filter大小 F×F 步長 S padding的像素數 P 於是我們可以得出 N = (W ? F + 2P )/S+1 卷積網絡輸出尺寸計算
caffe原始碼深入學習6：超級詳細的im2col繪圖解析，分析caffe卷積操作的底層實現
在先前的兩篇部落格中，筆者詳細解析了caffe卷積層的定義與實現，可是在conv_layer.cpp與base_conv_layer.cpp中，卷積操作的實現仍然被隱藏，通過im2col_cpu函式和caffe_cpu_gemm函式(後者實現矩陣乘法)實現，在此篇部落格中，筆者旨在向大家展示，caf
0024-利用OpenCV的filter2D函式作影象的卷積操作和協相關操作
影象的卷積操作是影象處理中最常用的操作之一，一般是用核算子來實現卷積操作。什麼叫核算子？請移步博文https://blog.csdn.net/lehuoziyuan/article/details/84101788 OpenCV用函式filter2D來實現對影象或矩陣的卷積操作。這個函式本質上做
卷積運算中的兩種padding的取值，VALID和SAME
模板來源於（https://blog.csdn.net/wuzqchom/article/details/74785643） 加入了一些自己的理解 在用tensorflow寫CNN的時候，呼叫卷積核api的時候，會有填padding方式的引數，找到原始碼中的函式定義如下（max pooling也
pytorch 自定義卷積核進行卷積操作
一 卷積操作：在pytorch搭建起網路時，大家通常都使用已有的框架進行訓練，在網路中使用最多就是卷積操作，最熟悉不過的就是 torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation
卷積後feature map尺寸計算公式
畫素寬度：W（Width） 填充大小：P（Padding） 卷積核大小：K（Kernel-size） 步長大小：S（stride） 卷積後所得feature map尺寸大小計算公式如下： 補充： 1.Padding的作用用於解決影象邊
OpenCV--如何對影象進行卷積操作（9）
附程式碼如下： import cv2 as cv import numpy as np def blur1(): src = cv.imread("D:/matplotlib/0.jpg") cv.imshow("input",src) blur2 = cv.blur(
總結CNN的發展歷程，以及一些卷積操作的變形，附帶基礎的深度學習知識與公式
1.Lenet-5 ：最先出現的卷積神經網路，1998年，由於當時的硬體還不成熟，因此到了2012年出現了AlexNet 2.AlexNet：可以說是現在卷積神經網路的雛形 3.VGGNet：五個模組的卷積疊加，網路結構如下： 4.GoogleNet：ince
卷積操作和反捲積操作的數學解釋
三個月沒更新了啊，回來更一發～～ csdn上主要講一些coding過程中遇到的函式，問題，解決方案。偏實踐 另外，如果你想看一些理論方面的東西，歡迎加我的知乎知乎主頁 csdn私信幾乎不看，有問題交流可以發郵箱：[email protec
對深度學習卷積操作的理解
本文介紹對了對卷積核、濾波器、通道等概念的理解。 二維卷積 二維卷積就是卷積核（指的是一個小的權值矩陣）在二維輸入資料上滑動遍歷整張圖片，對當前輸入的部分元素進行矩陣乘法，將一個二維矩陣轉換為另一個二維矩陣，然後將結果輸出，輸出特徵實際上是在輸入資料相同位置
卷積神經網路的引數計算
前言 這篇文章會簡單寫一下卷積神經網路上引數的計算方法，然後計算各個常見神經網路的引數。一個是加強對網路結構的瞭解，另一方面對網路引數的量級有一個大概的認識，也可以當作備忘錄，免得想知道的時候還要再算。 引數計算方法 全連線的引數計算就不說了，比較簡單。 首先，
Android中Bitmap大小計算
Bitmap.Config是Bitmap中的一個內部類,在Bitmap類裡createBitmap(intwidth, int height, Bitmap.Config config)方法裡會用到，打開個這個類一看 public static final Bitm
CNN卷積後輸出size的計算
來個詳細版的如下：來個簡版的如下：padding =“SAME”的情況：這裡插一句幫助理解：自動補全的話，考慮步長為1，每一卷積從第一個維度開始一步一步移動，直到最後一個維度，那麼輸出肯定是和原來的維度一樣，如果步長不是1比如為2 就要向上取整。比如7*7的影象採用3*3大小
深度學習介紹（四）卷積操作
接下來介紹一下，CNNs是如何利用空間結構減少需要學習的引數數目的 如果我們有一張1000x1000畫素的影象，有1百萬個隱層神經元，那麼他們全連線的話（每個隱層神經元都與影象的每一個畫素點相連），這樣就有1000x1000x1000000=10^12個連線，