标准卷积Standard-Convolution

JAY.LIN 收录于卷积合集

2025-03-10 约 282 字预计阅读 1 分钟

https://bing.ee123.net/img/rand?artid=146145251

标准卷积（Standard Convolution）

标准卷积的基础操作图解：

卷积之后尺寸公式：

输入尺寸：W×H
卷积核尺寸：Fw×Fh
填充大小：P
步长：S

输出尺寸 Wout×Hout可以通过以下公式计算：

$https://latex.csdn.net/eq?W_%7Bout%7D%3D%5B%5Cfrac%7BW+2P-F_%7Bw%7D%7D%7BS%7D%5D+1$

$https://latex.csdn.net/eq?H_%7Bout%7D%3D%5B%5Cfrac%7BW+2P-F_%7Bh%7D%7D%7BS%7D%5D+1$

其中[x]表示向下取整。

实例：

输入图像尺寸：5x5
卷积核尺寸：3x3
填充：1
步长：1

输出尺寸：

$https://latex.csdn.net/eq?W_%7Bout%7D%3D%5B%5Cfrac%7B5+2%5Ccdot%201-3%7D%7B1%7D%5D+1%3D5$

$https://latex.csdn.net/eq?H_%7Bout%7D%3D%5B%5Cfrac%7B5+2%5Ccdot%201-3%7D%7B1%7D%5D+1%3D5$

所以输出特征图尺寸为5×5.

代码实例：

import torch
import torch.nn as nn

# 创建随机输入张量 (batch_size, channels, height, width)
input_tensor = torch.randn(1, 1, 5, 5)  # 1个样本，1个通道，5x5大小的图像

# 定义卷积层
conv_layer = nn.Conv2d(in_channels=1, out_channels=1, kernel_size=3, padding=1, stride=1)

# 执行卷积操作
output_tensor = conv_layer(input_tensor)

# 打印输出特征图的尺寸
print("Output tensor shape:", output_tensor.shape)

输出：

Output tensor shape: torch.Size([1, 1, 5, 5])

图来源：

目录

标准卷积Standard-Convolution

标准卷积（Standard Convolution）