计算卷积层的输出

输入张量（batch_size，input_channels，h，w）

batch_size为批量大小

input_channels为输入的feature map的通道数

h为张量的高

w为张量的宽

卷积层为： nn.Conv2d(input_channels, output_channels, kernel_size=(k_h, k_w), stride=(s_h, s_w) ，padding=(p_h, p_w),)

input_channels:经过卷积核的输入通道数

output_channels：经过卷积核的输出通道数

k_h：卷积核的高

k_w:卷积核的宽

p_h：padding对于输入的高的填充，填充后输入的高变为h + 2*k_h

p_w: padding对于输入的宽的填充，填充后输入的宽变为w + 2*k_w

stride_h : 垂直方向上的步幅

stride_w : 水平方向上的步幅

经过此卷积核后获得的输出为：

通道数：output_channels

高：（原来输入的高h + 上下两边填充增加的行数 2*k_h - 卷积核的高k_h +垂直方向上的步幅stride_h ） / 垂直方向上的步幅stride_h

宽：（原来输入的宽w +左右两边填充增加的列数 2*k_w - 卷积核的宽k_w +水平方向上的步幅stride_w ） / 水平方向上的步幅stride_w

posted on 2022-09-26 20:20 沈香茶阅读(166) 评论(0) 收藏举报