卷积输出
假设我们有一个5x5大小的图像和一个3x3大小的内核，带有跨步2和填充。通过神经网络中的卷积层后，输出图像的大小是多少。
共有2个答案
让我们考虑一个更一般的情况：
输入是大小为I*I的图像。输入用P*P像素填充。内核的大小为K*K，步长为S*S。然后，输出的大小为O*O，可以使用一个简单的公式计算：
O=[（I 2*P-K）/S]1；其中[]表示楼层功能。
所以，你的答案是3*3，因为O=[（5 2*1-3）/2]1=3。
一： 图像大小，K：内核大小，P：填充，S：步幅
我将仅解释一个方向的公式（将过滤器向右移动），因为另一个方向的原理相同。
想象一下，您将内核（过滤器）放置在填充图像的左上角。
然后在右侧还有I-K 2P像素。如果您的步幅是S，您将能够将内核放置在地板（（I-K 2*P）/S）位置的剩余部分上。您可以验证是否需要4x4像素图像的“地板”。您必须为内核的初始位置添加一个，以获得内核位置的总数。
因此，总共有1个楼层（（I-K 2*P）/S）位置，这是输出大小的公式。希望这有帮助。
-
我在Keras建立了一个卷积神经网络。 根据CS231讲座，卷积操作为每个过滤器创建一个特征映射（即激活映射），然后将其堆叠在一起。在我的例子中，卷积层有一个300维的输入。因此，我预计会进行以下计算： 每个过滤器的窗口大小为5。因此，每个滤波器产生300-5 1=296个卷积 但是，实际输出形状看起来不同： 偏移值的形状很有意义，因为每个过滤器都有一个偏移值。然而，我不了解重量的形状。显然，第一
-
图像的卷积（Convolution）定义为 $$f(x) = act(\sum{i, j}^n \theta{(n - i)(n - j)} x_{ij}+b)$$ 其计算过程为 示例1 import tensorflow as tf import numpy as np sess = tf.InteractiveSession() input_batch = tf.constant([
-
我正在开发一种卷积神经网络用于图像分类或更好的车牌分类。这些车牌最多包含8个字符，每个字符可以包含37个字符（A-Z、0-9和空格）。我现在想知道如何设计网络中的最后两层。我认为，最后一个必须是具有37个概率的softmax层。这应该完全连接到一个（？）神经元在前一层？我想，在前一层我们需要8个神经元，因为之前的车牌上有8个字符，但我不确定。在此层之前，我添加了一些卷积层和maxPooling层。
-
我正在尝试创建一维卷积模型，但我似乎无法获得正确的输入形状。以下是我所拥有的： 我收到以下错误： 有人有什么建议吗？
-
对于我的教育，我正在尝试在卷积神经网络中实现一个N维卷积层。 我想实现一个反向传播函数。然而，我不确定这样做最有效的方式。 目前，我正在使用信号。fftconvolve收件人： > 在反向传播步骤中，使用数组卷积导数（在所有维度上使用FlipAllAxes函数进行反转）(https://jefkine.com/general/2016/09/05/backpropagation-in-convol
-
卷积神经网络有一个批量过滤器, 持续不断的在图片上滚动收集图片里的信息,每一次收集的时候都只是收集一小块像素区域, 然后把收集来的信息进行整理, 这时候整理出来的信息有了一些实际上的呈现, 比如这时的神经网络能看到一些边缘的图片信息, 然后在以同样的步骤, 用类似的批量过滤器扫过产生的这些边缘信息, 神经网络从这些边缘信息里面总结出更高层的信息结构,比如说总结的边缘能够画出眼睛,鼻子等等. 再经过