CNN中卷积层参数量与输出特征图尺寸的计算公式

1. 卷积层输入特征图(input feature map)的尺寸为: Hinput × Winput × Cinput
Hinput 表示输入特征图的高
Winput 表示输入特征图的宽
Cinput 表示输入特征图的通道数(如果是第一个卷积层则是输入图像的通道数,如果是中间的卷积层则是上一层的输出通道数)

2. 卷积层的参数有如下几个:
输出通道数为 K
正方形卷积核的边长为 F
步幅(stride)为 S
补零的行数和列数(padding)为 P

3. 输出特征图(output feature map)的尺寸为 Houtput × Woutput × Coutput ,其中每一个变量的计算方式如下:
Houtput = ( Hinput − F + 2P ) / S + 1
Woutput = ( Winput − F + 2P ) / S + 1
Coutput = K

4. 参数量大小的计算,分为weights和biases:
首先来计算weights的参数量:F × F × Cinput × K
接着计算biases的参数量:K
所以总参数量为:F × F × Cinput × K + K

版权声明:本文为CSDN博主「gaishi_hero」的原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/gaishi_hero/article/details/81512404

推荐阅读