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

卷积神经网络的输出值计算

计算公式:

W_{2} = (W_{1} - F + 2 P) / S + 1

H_{2} = (H_{1} - F + 2 P) / S + 1

$W_{1}$ 是卷积前图像的宽度;
$W_{2}$ 是卷积后Feature Map的宽度;
$H_{1}$ 是卷积前图像的高度;
$H_{2}$ 是卷积后Feature Map的高度;
$P$ 是padding数量;
$S$ 是stride步长.

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

卷积神经网络的输出值计算

卷积神经网络的输出计算

相关推荐