卷积和池化后的图像尺寸计算及举例说明
发布时间
阅读量：
阅读量
在运用CNN网络对图像进行处理的过程中，往往会面临卷积与池化操作后所导致的图像尺寸变化问题，通常能够找到的相关解答如下：
对于刚开始接触该领域的学习者而言，最常产生的疑问莫过于：P值究竟具体是多少？
在Tensoflow框架中，Padding参数提供了两种选择方式，分别为'SAME'与'VALID'，以下将通过实例来阐述二者之间的差异：
当Padding参数设置为'SAME'时，输出的尺寸计算公式为：W / S
import tensorflow as tf
input_image = tf.layers.Input(shape=[32, 32, 3], dtype=tf.float32)
conv0 = tf.layers.conv2d(input_image, 64, kernel_size=[3, 3], strides=[2, 2], padding='same') # 32/2=16
conv1 = tf.layers.conv2d(input_image, 64, kernel_size=[5, 5], strid全部评论 (0)
还没有任何评论哟~