卷积向下取整 池化向上取整
在我计算GoogLeNet的每一步的图片的尺寸的时候
我运用卷积的计算公式对对我们的图片的尺寸进行计算,却发现是不行的,我就很疑惑
我用的是一下公式
输入数据体的尺寸是
(2)四个超参数:
滤波器数量K
滤波器空间尺寸F
滑动步长S
零填充的数量P
(3)输入数据体的尺寸为
最后查了很多资料,最后得到卷积中的特征图大小计算方式有两种,分别是‘VALID’和‘SAME’,卷积和池化都适用,卷积除不尽的结果都向下取整,池化除不尽的结果都向上取整。
‘VALID’:相当于我们的padding = 0,所以可以直接计算便可以
‘SAME’:用以上的公式进行计算便可,我们需要输出特征图的大小与输入特征图的大小保持不变
若采用’SAME’方式,kernel_size=1时,padding=0;kernel_size=3时,padding=1;kernel_size=5时,padding=3,以此类推。