卷积神经网络之padding计算

最新推荐文章于 2024-11-21 19:56:41 发布

原创

最新推荐文章于 2024-11-21 19:56:41 发布 · 4k 阅读

7 ·

CC 4.0 BY-SA版权

本文介绍了卷积神经网络中padding的SAME和VALID两种模式的计算方法，详细阐述了TensorFlow和PyTorch中如何处理padding。在VALID模式下，输出大小由输入大小减去卷积核大小并向上取整；在SAME模式下，首先计算输出形状，然后进行padding。PyTorch的ZeroPad2d允许直接指定padding大小。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

padding的模式分为SAME和VALID两种方式。下面简单介绍一下两种方式输出shape的计算方法。

tensorflow

VALID

计算公式：
$out_height = out_width = out_width = out_height =\left \lceil\frac{input_size - kernel_size + 1}{strides} \right \rceil$ 输出的大小直接用输入的大小减去卷积核大小，加1，然后除以步长，最后对结果向上取整。
假如输入的shape为7x7的，卷积核的大小为3x3，步长为2，这样计算出的输出shape为：3x3。对于边界上没有取到的数据直接舍弃掉。

SAME

计算公式
在这里插入图片描述
第一步，先用输入的大小除以步长，对结果向上取整。得到输出的shape。例如，input shape是7x7，kernel为3x3，stride为2。则输出的shape为：4x4。注意：padding为Same，strides为1的时候，输入与输出的shape是相等的。
第二步，根据输出shape对输入进行padding的操作。继续上一步的例子，7除以2向上取整为4，就需要将输入的shape通过padding扩展到8x8。当padding的数量为奇数的时候，在tensorflow中会在后面多padding一些。