卷积神经网络中特征图大小计算公式总结
| 阿里云国内75折 回扣 微信号：monov8 |
| 阿里云国际，腾讯云国际，低至75折。AWS 93折 免费开户实名账号 代冲值 优惠多多 微信号：monov8 飞机：@monov6 |
W输入特征图的宽H输入特征图的高
Kkernel size卷积核宽和高Ppadding特征图需要填充的0的个数Sstride步长
width_out卷积后输出特征图的宽height_out卷积后输出特征图的高
普通卷积
计算公式
width_out = W - K + 2 * P/ S + 1向下取整
height_out = H - K + 2 * P / S + 1向下取整
池化
计算公式
width_out = W - K/ S + 1向下取整
height_out = H - K / S + 1向下取整
上采样UpSampling2D
上采样相当于放大多少倍size=倍数
计算公式
width_out = W * size
height_out = H * size
转置卷积
转置卷积俗称反卷积是上采样方式中的一种转置卷积用来增大特征图的分辨率。
计算公式
width_out = W - 1* S - 2 * P + K
height_out = H - 1* S - 2 * P + K