详解卷积中常见参数及用法（stride、kernel_size、padding、dilation)

原创 已于 2024-01-09 21:45:16 修改 · 5.3k 阅读 · 25 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#深度学习 #图像处理 #目标检测 #计算机视觉
于 2024-01-08 15:58:20 首次发布
本文探讨了在深度学习中遇到的困惑——步长(stride)与空洞卷积(dilation)的区别，解释了它们的作用并提供了计算公式。作者推荐了一个可视化工具帮助初学者理解这些参数。

最近看自己方向的论文，发现有的时候还是分不清一些参数的用法和含义，比如今天就在stride和dilation之间思考了很久，知识确实是学杂了，为了加深印象决定记录下来。

1.stride(步长）

就是卷积核每一个移动的长度，很好理解，这里放上动图
在这里插入图片描述
这个卷积核和图片都要大一点

2.dilation (空洞卷积）

扩展率，这里主要采用了空洞卷积，有一种好处就是增大了感受域(receptive field)
在这里插入图片描述
上图的dilation等于2，表示两个卷积核之间的距离。

经过卷积操作后输出的宽和高可以按照下面的公式计算：
在这里插入图片描述

附：

在这里推荐一个可以可视化卷积参数的网站，很直观，适合初学者。
https://ezyang.github.io/convolution-visualizer/index.html
可以自己定义参数值，非常好用：
在这里插入图片描述

计算机视觉：卷积步长(Stride)
huanfeng_AI的博客
05-27 5044
卷积操作中的步长（Stride）是指卷积核在图像上移动的步长。步长的大小直接影响卷积操作的结果和特征图的尺寸。在卷积操作中，步长的大小可以通过调整卷积核的移动步长来实现。例如，当步长为1时，卷积核每次移动一个像素；当步长为2时，卷积核每次移动两个像素，以此类推。步长的大小对卷积操作的结果和特征图的尺寸有着重要的影响。当步长较小时，卷积操作可以更加细致地提取图像特征，但是特征图的尺寸会变大，导致计算量增加。
Dilation卷积与IDCNN 笔记
济舒小柏
10-30 4790
0、前言 Dilation 卷积，也被称为：空洞卷积、膨胀卷积。 在神经网络中，通常利用卷积来实现数据的特征提取。卷积层还有一个权值共享的原则：每个神经元只关注一个特征。 卷积完经过激励层做一个非线性映射，输出到Pooling layer。 池化层的作用： (1)压缩数据和参数的量，减小过拟合。 (2)增大感受野。 主要两种方法：Max Pooling 和 Average Pooling 1、...
图像卷积及其计算（特征图尺寸、参数量、计算量）
weixin_44966641的博客
10-22 8972
图像卷积及其计算（特征图尺寸、参数量、计算量） 卷积前后特征图尺寸的计算 定义参数如下： 输入特征图尺寸： W×WW×WW×W 卷积核尺寸： F×FF×FF×F 步长： SSS 填充的像素数：PPP 则有输出特征图尺寸为 N×NN×NN×N： N=(W−F+2P)/S+1 N = (W − F + 2P )/S+1 N=(W−F+2P)/S+1 参数量的计算 卷积层的参数量 卷积的参数量即卷积核的参数量，设我们有如下参数： 卷积核尺寸：KKK 前一层的通道数：CinC_{in}Cin​ 当前层的卷积核
CNN卷积网络基础-卷积核，padding，stride
weixin_43841579的博客
10-17 6180
详细解析卷积核，padding，stride及特征图计算
卷积层的stride是什么
yxx122345的博客
08-25 2332
Stride 是卷积层中的一个重要参数，它控制了卷积核在输入特征图上滑动的步长。Stride 的值影响输出特征图的大小和计算效率。较大的 stride 可以加快计算速度并减少输出特征图的尺寸，但可能会损失一些特征的精细度。（步幅）是指卷积核在输入特征图上移动的步长。Stride 是卷积操作中的一个重要参数，它影响了输出特征图的大小以及计算的效率。在卷积神经网络（CNN）中，
【Pytorch】三维卷积 nn.Conv3d 用法
pc的博客
03-30 8325
nn.Conv3d是 PyTorch 中实现三维卷积操作的类。
pytorch conv2d参数讲解
Dream_xd的博客
06-08 6490
pytorch conv2d参数讲解 """ Args: in_channels (int): Number of channels in the input image out_channels (int): Number of channels produced by the convolution kernel_size (int or tuple): Size of the convolving kernel stride (int
PyTorch卷积层配置避坑指南：stride=2时padding该设多少？附dilation实战案例
最新发布
weixin_29070861的博客
02-23 369
本文深入解析PyTorch卷积层中stride、padding和dilation参数的配置逻辑与常见陷阱。重点探讨了当stride=2时，如何正确设置padding以实现输出尺寸精确减半，并提供了包含dilation参数的空洞卷积实战案例与通用调试代码，帮助开发者避免网络设计中的尺寸对齐错误。
pytorch的nn.Conv2d()参数及尺寸计算详解（与Tensorflow.nn.Conv2d相比）
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数（如彩色图片，一般为3） out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride = 1, #卷积步长，就是卷积操作时每次移动的格子数 padding = 0, #原图周围需要填充的格子行（列）数，无填充的话卷积到边缘会直接忽略该边缘 dilation = 1, #空洞卷积的空洞指数，一般默认为1即可 groups = 1, #分
【DL】卷积膨胀 Dilation
北境の守望者
05-07 8047
Backto DeepLearning Index dilation dilation 是对 kernel 进行膨胀，多出来的空隙用 0 padding。用于克服 stride 中造成的 失真问题。 对应关系是 kd=(k−1)×d+1k_{d} = (k -1)\times d + 1kd​=(k−1)×d+1, 对原始kernel 进行 d 倍 dilation 之后得到新的 kdk_d...
神经网络：CNN中的filter，kernel_size，strides，padding对输出形状的影响
weixin_44116706的博客
06-09 5098
输入数据在经过卷积层后，形状一般会发生改变，而形状的变化往往与以下三个超参数有关。
30、卷积 - 参数 stride 的作用
通俗易懂的 AI 技术
12-09 3149
在卷积运算中，还有一个参数叫做 stride，它对卷积的运算以及运算结果影响也很大。还是先看卷积动图，从图上你能猜到 stride 参数在哪吗？在卷积操作中，stride 指的是。stride 决定了卷积核在输入图像上移动的速度。例如，如果 stride 为1，那么卷积核每次就移动一个像素；如果 stride 为2，那么卷积核每次就移动两个像素。也就是上图卷积核每次扫描时跳过的像素的个数。在上面动图用，展示的 stride 是2。
动手学深度学习 - 5.2. 填充和步幅
程永强
06-15 1590
动手学深度学习 - 5.2. 填充和步幅 动手学深度学习 - Dive into Deep Learning Aston Zhang, Zachary C. Lipton, Mu Li, and Alexander J. Smola https://zh.d2l.ai/ 5.2. 填充和步幅 在上一节的例子里，我们使用高和宽为 3 的输入与高和宽为 2 的卷积核得到高和宽为 2 的输出。一般来说，...
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算
热门推荐
m0_54487331的博客
01-20 2万+
CNN卷积神经网络中的stride、padding、channel以及特征图尺寸的计算1. stride步幅2. padding填充3. channel通道4. 计算及例子总结： 1. stride步幅 stride：卷积时的采样间隔 设置步幅的目的是希望减小输入参数的数目，减少计算量。stride参数的值就是缩小的倍数，比如步幅为2，就对输入的特征图做2倍下采样，注意步幅并不代表输出时输入的1stride\frac{1}{stride}stride1​ 2. padding填充 padding：在输入特
卷积:kernel size/padding/stride
Coding
08-30 2万+
卷积的原理 卷积尺寸变化 输出尺寸=(输入尺寸-filter尺寸+2*padding)/stride+1 宽和高都是这么计算的； 输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1...
卷积网络的学习（卷积核，通道，padding，stride等概念）
渣渣屋
10-13 3028
1 卷积网络的核心是：可以约减不必要的权值连接，引入稀疏或局部连接，带来权值共享策略大大地减少参数量相对的提升了数据量，从而可以避免过拟合；具有平移不变性，鲁棒性较好。 卷积操作的示意图如下： 卷积参数：stride：指的是窗口从当前位置到下一个位置，跳过的中间数据个数 stride: zeropadding：将原始数据的周边补上0值的圈数。 zeropadding：valid convolutions,same conv...
卷积参数计算
如何心安理得的在老板眼皮下摸鱼
05-30 3412
1.比如输入是一个32x32x3的图像，3表示RGB三通道，每个filter/kernel是5x5x3，一个卷积核产生一个feature map，下图中，有6个 5x5x3的卷积核，故输出6个feature map（activation map），大小即为28x28x6。下图中，第二层到第三层，其中每个卷积核大小为5x5x6，这里的6就是28x28x6中的6，两者需要相同，即每个卷积核的“层数”需要与输入的“层数”一致。有几个卷积核，就输出几个feature map，下图中，与第二层作卷积的卷积核有10..
彻底搞懂感受野的含义与计算
zandaoguang的博客
10-12 1176
↑ 点击蓝字关注视学算法作者丨shine-lee来源丨https://www.cnblogs.com/shine-lee/p/12069176.html编辑丨极市平台什么是感受野The...
卷积网络参数核心解读
weixin_48331187的博客
09-14 1090
2. 卷积核数量（Filters或Kernels）：卷积层中的参数，表示卷积层使用多少个卷积核。每个卷积核都会对输入进行卷积操作并生成一个特征映射（feature map），通过增加卷积核的数量可以提取更多的特征。1. 卷积核（Filter或Kernel）尺寸：卷积层中的参数，控制卷积核的大小。通过调整这些参数的值，可以改变网络的表达能力、感受野（即每个神经元对输入数据的感知范围）和网络的复杂性，从而提高模型的准确性和性能。3. 步长（Stride）：卷积层中的参数，表示在进行卷积操作时滑动卷积核的步长。
stride中参数含义及步长修改
zhuimengshaonian66的博客
08-31 5309
步长stride是一个一维的向量，长度为4。形式是[a,x,y,z]，分别代表[batch滑动步长，水平滑动步长，垂直滑动步长，通道滑动步长] 在tensorflow中，stride的一般形式是[1，x，y，1] 第一个1表示：在batch维度上的滑动步长为1，即不跳过任何一个样本 x表示：卷积核的水平滑动步长 y表示：卷积核的垂直滑动步长 最后一个1表示：在通道维度上的滑动步长为1，即...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值