本文介绍了Python中Tensor的通道排序以及卷积操作的基本概念。以3x32x32的RGB图像为例，解释了卷积层的计算过程，如使用nn.Conv2d(3,16,5)构建的卷积层，通过公式(N=(W-F+2P)/S+1)得出输出尺寸为(16,28,28)。内容涵盖了卷积核大小、步长、填充对输出尺寸的影响。
- Python Tensor 的通道排序：[batch, channel, height, width] ，其中batch是指一批图像的个数。
例如彩图像RGB：3x32x32, 其中channel=3, height=32, width= 32 - 卷积之后的矩阵尺寸大小计算公式为：N = （W - F + 2P）/ S + 1
(1) 输入图片的大小：W x W
(2) 步长 S
(3) Filter大小 FxF [卷积核大小]
(4) padding的像素数P（默认为零）
举例计算
input (3, 32, 32)
构建一个卷积层： self.conv1 = nn.Conv2d(3, 16, 5)
output (?)
计算：根据公式得 N = （32 - 5 + 2 x 0）/ 1 + 1 = 28
所以output (16, 28, 28) , 其中16是因为：nn.Conv2d（3，16，5）输出层矩阵与卷积核保持一致
深度学习01_如何计算输入和输出
于 2022-07-30 21:52:07 首次发布
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
