在卷積網絡搭建過程中，遇到了一個困惑，那就是如何根據卷積的一些超參數來計算網絡的輸出的大小，即卷積尺寸變化

為了使得計算過程更加直觀，定義以下參數

定義

定義

定義

輸入尺寸為

輸出尺寸為

則有卷積尺寸變化為

例如，輸入為

，卷積核為 ，步長 ， ，由以上公式可以得出新的輸出為

輸出任然為28不變

---

但是肯定會有不能被整除的狀況，在PyTorch中可以看到

池化類似

Shape:- Input: :math:`(N, C, H_{in}, W_{in})`- Output: :math:`(N, C, H_{out}, W_{out})`, where.. math::H_{out} = leftlfloorfrac{H_{in} + 2 * text{padding[0]} - text{dilation[0]}times (text{kernel_size[0]} - 1) - 1}{text{stride[0]}} + 1rightrfloor.. math::W_{out} = leftlfloorfrac{W_{in} + 2 * text{padding[1]} - text{dilation[1]}times (text{kernel_size[1]} - 1) - 1}{text{stride[1]}} + 1rightrfloor

在PyTorch中對于不能整除的狀況默認均為向下取整，可以選擇向上取整

---

肯定有小伙伴在困惑，這些參數有什么意義嘛，剛開始看到這個公式的時候我也有這樣的困惑，但是后來和實驗室師兄交流弄懂了，如果我們需要設定指定大小的輸入輸出，那么中間的超參數的設置就很有意義了。

例如輸入為

，采用的是 的卷積核，常規卷積的步長 ，為了保證輸出也為，那么就需要設置填充；如果卷積核是 ，那么為了保證輸出也為 ，則需要設置填充。具體的計算任然參照上面的公式。

總結

以上是生活随笔為你收集整理的cnn stride and padding_CNN中的stride、kernel、padding计算的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。