标签：12 卷积 输入输出 channels 神经网络 63 96 size

卷积神经网络各尺寸的计算

Feature map数量和尺寸, 神经元的数量，连接数量，权重size

几个参数
输入尺寸：in_size
输出尺寸：out_size
卷积核：k (kernel_size)
填充值的大小：P（padding）
步长大小：S (stride)

则：

例子：

eg: 卷积层各参数为：

nn.Conv2d(in_channels=3,out_channels=96,kernel_size=12,stride=4,padding=2)

输入：256*256的3通道RGB图片 -> [256, 256, 3]
输出计算

输出为63 X 63，96通道 -> [63, 63, 96]
解析：其中输出的size 63 X 63即为feature map的大小，96为feature map的数量。
则本层神经元的数目为：63 X 63 X 96

连接数量：
在63 X 63 X 96个神经元中，每个都和输入数据中的一个尺寸为[12X12X3]的区域全连接，即连接数量：63 X 63 X 96 X12 X 12 X 3

参数数量：
每个feature map 上的神经元都使用同样的权重和偏差，（在不考虑偏置权重时）
（weight）参数量为：12 X12 X 3 X 96 -> [ 3, 96, 12, 12],即 [k, k, in_channels, out_channels]

标签：12,卷积,输入输出,channels,神经网络,63,96,size
来源： https://blog.csdn.net/aixuexidelele/article/details/121810080

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。