关于卷积网络以及反卷积网络shape的计算

CNN的计算方式：

 

w1 = (w - F_w + 2p) / s_w + 1

h1 = (h - F_h + 2p) / s_h + 1

 

其中 w, h 分别为上一层的宽高， Filters(kernel）的大小为 F_w, F_h

strides 步长为： s_w, s_h

p 为padding 的大小

 

DeCNN 的计算方式：

 

w1 = （w -1 ）* s_w + F_w - 2p

h1 = （h -1 ）* s_h + F_h - 2p

 

其中 w, h 分别为上一层的宽高， Filters(kernel）的大小为 F_w, F_h

strides 步长为： s_w, s_h

p 为padding 的大小

 

上面的有点错误， 看了tensorflow的实现：

具体代码如下：

def _compute_output_shape(self, input_shape):
  input_shape = tensor_shape.TensorShape(input_shape).as_list()
  output_shape = list(input_shape)
  if self.data_format == 'channels_first':
    c_axis, h_axis, w_axis = 1, 2, 3
  else:
    c_axis, h_axis, w_axis = 3, 1, 2

  kernel_h, kernel_w = self.kernel_size
  stride_h, stride_w = self.strides

  output_shape[c_axis] = self.filters
  output_shape[h_axis] = utils.deconv_output_length(
      output_shape[h_axis], kernel_h, self.padding, stride_h)
  output_shape[w_axis] = utils.deconv_output_length(
      output_shape[w_axis], kernel_w, self.padding, stride_w)
  return tensor_shape.TensorShape(output_shape)

这里就是说， W， H的计算方式，有额外的utils包来辅助完成，具体的代码如下：

def deconv_output_length(input_length, filter_size, padding, stride):
  """Determines output length of a transposed convolution given input length.

  Arguments:
      input_length: integer.
      filter_size: integer.
      padding: one of "same", "valid", "full".
      stride: integer.

  Returns:
      The output length (integer).
  """
  if input_length is None:
    return None
  input_length *= stride
  if padding == 'valid':
    input_length += max(filter_size - stride, 0)
  elif padding == 'full':
    input_length -= (stride + filter_size - 2)
  return input_length

也就是说，分了三种padding的情况， “same”、"valid"、"full"三种方式，而每一种方式都不同。代码上给了后两者的实现。

这说明，如果padding使用的是“same”的情况的话。input_lenght = input_lenght * 2。

所以，DeCNN的输出计算分为三种方式，做如下总结：

“same”:

input_length *= stride

"valid":

input_length = input_length * stride + max(filter_size - stride, 0)

"full":

input_length = input_length * stride - stride + filter_size - 2 = （input_lenght - 1） * stride + filter_size - 2

这里Filter_sieze为卷积核的大小,及kernel_size