CNN中已知input_size、kernel_size、padding、stide计算output公式的理解
在进行卷积运算和池化的时候,对于输入图像大小为input_size,给定kernel_size、padding、stride,计算得出output_size为:
output_size =1+ (input_size+2*padding-kernel_size)/stride
怎么理解这个等式?首先,考虑对图片横向的填充,有两个边所以加上2*padding。其次,考虑到卷积核kernel的右边到达图片的右边时候,此时占用了图片kernel_size个像素。因此,在一个方向上,知道起点和终点,还有步长,那么需要几步才能走完一个方向,那可想而知。其中每一步对应于下一个层的一个像素点(神经元)。
手与大脑的距离决定了理想与现实的相似度
分类:
深度学习
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· C++代码改造为UTF-8编码问题的总结
· DeepSeek 解答了困扰我五年的技术问题
· 为什么说在企业级应用开发中,后端往往是效率杀手?
· 用 C# 插值字符串处理器写一个 sscanf
· Java 中堆内存和栈内存上的数据分布和特点
· What?废柴, 还在本地部署DeepSeek吗?Are you kidding?
· 程序员转型AI:行业分析
· 为DeepSeek添加本地知识库
· 深入集成:使用 DeepSeek SDK for .NET 实现自然语言处理功能
· .NET程序员AI开发基座:Microsoft.Extensions.AI