經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）處理后，圖片的尺寸會(huì)發(fā)生變化，這是由于卷積層、池化層等操作引起的。計(jì)算圖片經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)后的尺寸變化通常需要考慮卷積核大小、步幅（stride）、填充（padding）以及池化操作等因素。以下是計(jì)算過(guò)程的一般步驟：
假設(shè)輸入圖片的尺寸為 H in × W in H_{\text{in}} \times W_{\text{in}} Hin?×Win?，卷積核大小為 K × K K \times K K×K，步幅為 S S S，填充為 P P P。卷積操作會(huì)導(dǎo)致輸出尺寸的變化，計(jì)算公式如下：
輸出高度 H out = H in + 2 P ? K S + 1 H_{\text{out}} = \frac{H_{\text{in}} + 2P - K}{S} + 1 Hout?=SHin?+2P?K?+1
輸出寬度 W out = W in + 2 P ? K S + 1 W_{\text{out}} = \frac{W_{\text{in}} + 2P - K}{S} + 1 Wout?=SWin?+2P?K?+1
填充可以是VALID（不填充）、SAME（填充以保持輸入輸出尺寸一致）等，步幅表示卷積核在輸入上滑動(dòng)的步長(zhǎng)。
對(duì)于池化層，通常使用最大池化或平均池化。假設(shè)池化操作的大小為 P pool × P pool P_{\text{pool}} \times P_{\text{pool}} Ppool?×Ppool?，步幅為 S pool S_{\text{pool}} Spool?，池化操作會(huì)導(dǎo)致輸出尺寸的變化，計(jì)算公式如下：
池化后的輸出高度 H out = H in ? P pool S pool + 1 H_{\text{out}} = \frac{H_{\text{in}} - P_{\text{pool}}}{S_{\text{pool}}} + 1 Hout?=Spool?Hin??Ppool??+1
池化后的輸出寬度 W out = W in ? P pool S pool + 1 W_{\text{out}} = \frac{W_{\text{in}} - P_{\text{pool}}}{S_{\text{pool}}} + 1 Wout?=Spool?Win??Ppool??+1文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-687732.html
這些計(jì)算方式可以用來(lái)預(yù)測(cè)經(jīng)過(guò)卷積和池化操作后圖片尺寸的變化。需要注意的是，不同層之間的尺寸變化會(huì)影響特征圖的深度和尺寸，這在設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)架構(gòu)時(shí)需要仔細(xì)考慮。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-687732.html
到了這里，關(guān)于經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)之后的圖片的尺寸如何計(jì)算的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
