标签：kernel full 卷积 信号处理 padding zero 详解 维度 size
本文主要解释： (1)传统离散信号处理中的卷积维度 L = M+N -1；(2)matlab 卷积函数中的shape=full, same, valid所导致的不同卷积输出维度，和tensorflow的tf.nn.conv2d中的padding=same,valid 导致的不同输出维度；(3) pytorch中的卷积函数中设置的 padding以及torch官方给的卷积的shape计算公式
本文主要解释这三者在计算二维卷积输出维度时的差别与联系。不想看推导您可以翻到最后直接看结论。
——————————————————————————————————————————————————
首先来将传统的离散信号处理，大多数人在学信号与系统或者数字信号处理的时候，在学离散卷积的时候，肯定都学过：如果输入的两个离散序列长度分别是M和N，那么他们卷积之后得到的离散序列长度 L=M + N -1。对于二维卷积，输入矩阵P×Q 和 M×N；卷积之后的矩阵 W×H，在两个维度方向上都满足上述公式：W = P+M-1；H = Q+N-1.
有信号处理背景的同学，在初次接触pytorch的卷积及其维度公式时，大多会感觉，怎么本来卷积的维度 L=M + N - 1，在这里就变得这么复杂了：
上图中的公式，stride是指卷积时卷积核移动的步长，dilation是指卷积核元素间的距离，传统信号处理的卷积中stride=1，dilation=1，上图公式简化下来，就是H_out = H_in +2×padding - kernel_size +1；H_in对应M，kernel_size 对应N；一边是加N一边是减kernel_size 看起来似乎有些矛盾，另一个没考虑到的是padding，如果令padding=kernel_size -1，那么两个公式就一样了。
push_
发布了11 篇原创文章 · 获赞 9 · 访问量 2408
私信
关注
标签：kernel,full,卷积,信号处理,padding,zero,详解,维度,size 来源： https://blog.csdn.net/weixin_42150026/article/details/104554895
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。