卷积层输出大小尺寸计算及 “SAME” 和 “VALID”

本博客只用于自身学习，如有错误，虚心求教！！！

Table of Contents

简介

举例说明

编程结果

---

简介

卷积之后的尺寸大小计算公式为：

• 输入图片大小 W×W
• Filter大小 F×F
• 步长strides  S
• padding的像素数 P
• 输出大小为NxN

我们可以得出

                                                                                                                         （公式1）

长宽不等时，卷积之后的计算公式也是如此，只需分别计算即可。

在实际操作时，我们还会碰到 padding的两种方式 “SAME” 和 “VALID”，padding = “SAME”时，会在图像的周围填 “0”，padding = “VALID”则不需要，即 P=0。一般会选“SAME”，以来减缓图像变小的速度，二来防止边界信息丢失（即有些图像边界的信息发挥作用较少）。

注意！！！

此时可能会发现，按照这两中方式，按照上面的公式怎么不对呀

其实公式是没有问题的，

1. padding = “VALID”：   P=0
2. padding = “SAME”：   kernel_size=1时，P=0；kernel_size=3时，P=1；kernel_size=5时，P=3，以此类推。

问题可能也就出在上面

tensorflow官网给出了另一种计算方式，也是正确的：

padding = “SAME”时：

                                                   （ 解释：输入w / 步长s 之后向上取整）                            （公式2）

padding = “VALID”时：

                                               （也是向上取整）                                                       （公式2）

举例说明

当

• 输入是5*5，
• 卷积核是3*3，
• 步长S = 2

padding= “SAME”时：

       根据公式1：

                                            

       根据公式2：

                                           

padding= “VALID”时：

根据公式1：

                                            

 根据公式3：

                                           

编程结果

如下：