神经网络中关于padding的理解

对于padding的理解分为两个方面，步长为1和步长大于或等于2。
一、当步长大于等于2时，比较容易理解，padding=="same"时，width和height向上取整，缺少的部分用padding 0 来补足；padding=="valid"时，width和height向下取整，多余的部分舍弃。以下列代码为例：

from keras.layers import Conv2D,Dense,Flatten
from keras.models import Sequential
model = Sequential()
model.add(Conv2D(filters  = 32,kernel_size = [3,3],strides = [2,2],padding = 'valid',input_shape = [8,8,3]))
model.add(Flatten())
model.add(Dense(units = 10,activation = 'softmax'))
model.compile()
model.fit()

从model.add(Conv2D(filters  = 32,kernel_size = [3,3],strides = [2,2],padding = 'valid',input_shape = [8,8,3]))可以看出，
卷积前，width=8， height=8， channel=3
卷积核为[3, 3], 步长为[2, 2]，过滤器数为32

如果padding==“valid”，
width = math.floor((8-3)/2)+1, heigth = math.floor((8-3)/2+1, channel = 32
如果padding==“same”，
width = math.ceil((8-3)/2)+1, heigth = math.ceil((8-3)/2+1, channel = 32
二、当步长等于1时，padding=="valid"时，不作任何处理；当padding=="same"时，保持卷积后的width和height和卷积前一样，缺少的用padding0来补足，这样就可以防止由于卷积导致图像不断缩减。以下列代码为例：

from keras.layers import Conv2D,Dense,Flatten
from keras.models import Sequential
model = Sequential()
model.add(Conv2D(filters  = 32,kernel_size = [3,3],strides = [1,1],padding = 'valid',input_shape = [8,8,3]))
model.add(Flatten())
model.add(Dense(units = 10,activation = 'softmax'))
model.compile()
model.fit()

从model.add(Conv2D(filters  = 32,kernel_size = [3,3],strides = [1,1],padding = 'valid',input_shape = [8,8,3]))可以看出，
卷积前，width=8， height=8， channel=3
卷积核为[3, 3], 步长为[1, 1]，过滤器数为32
如果padding==“valid”，
width = 8-3+1, heigth = 8-3+1, channel = 32
如果padding==“same”，
width = 8, heigth = 8, channel = 32

神经网络中关于padding的理解相关推荐

神经网络中Batch Size的理解
神经网络中Batch Size的理解直观的理解: Batch Size定义:一次训练所选取的样本数. Batch Size的大小影响模型的优化程度和速度.同时其直接影响到GPU内存的使用情况,假如你 ...
【神经网络】神经网络中的矩阵的理解
在<深度学习入门:基于Python的理论与实现>书中,看到讲解矩阵的章节,加深了我对矩阵的理解. 脱离应用理解数学是很难的.将矩阵放在深度学习的环境里可以较好的理解矩阵的含义. 这里假设你 ...
xml文件卷积神经网络_理解卷积神经网络中的输入与输出形状(Keras实现)
即使我们从理论上理解了卷积神经网络,在实际进行将数据拟合到网络时,很多人仍然对其网络的输入和输出形状(shape)感到困惑.本文章将帮助你理解卷积神经网络的输入和输出形状. 让我们看看一个例子.CNN ...
（pytorch-深度学习系列）卷积神经网络中的填充(padding)和步幅(stride)
卷积神经网络中的填充(padding)和步幅(stride) 之前写过一篇blog,描述CNN网络层的输入和输入尺寸的计算关系,但是并没有描述的很全面,这里全面描述了影响输出尺寸的两个超参数paddi ...
【TensorFlow】TensorFlow从浅入深系列之十二 -- 教你深入理解卷积神经网络中的池化层
本文是<TensorFlow从浅入深>系列之第12篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
【TensorFlow】TensorFlow从浅入深系列之十一 -- 教你深入理解卷积神经网络中的卷积层
本文是<TensorFlow从浅入深>系列之第11篇 TensorFlow从浅入深系列之一 -- 教你如何设置学习率(指数衰减法) TensorFlow从浅入深系列之二 -- 教你通过思维 ...
PNAS | 理解单个神经元在深度神经网络中的作用
本次报道论文为发表于PNAS的Understanding the role of individual units in a deep neural network.众所周知,深度神经网络擅长查找可解 ...
三个变量中怎么找出中间值_一文理解神经网络中的偏差和方差
在深度学习中,数据过拟合,欠拟合的问题很常见,先总结一下:过拟合称为高方差,欠拟合称为高偏差. 可能只看偏差,方差不是很理解,下面先来个百度百科看一下. 偏差(统计学概念) 偏差又称为表观误差,是指个 ...
【白话理解神经网络中的“损失函数”——最小二乘法和极大似然估计法】
目录写在前面的话理解损失函数最小二乘法最大似然估计法(统计方法) 写在前面的话 "损失函数"是如何设计出来的?直观理解"最小二乘法"和"极大似 ...

神经网络中关于padding的理解

神经网络中关于padding的理解相关推荐

最新文章

热门文章