卷积层和池化层输出特征图大小的计算——以LeNet模型为例

1.LeNet网络模型结构

本文咱们以LeNet网络为例&＃xff0c;介绍一下&＃xff0c;如何卷积层和池化层输出特征图的大小。

LeNet算上输入层&＃xff0c;有八层。分别是&＃xff1a;输入层INPUT、C1卷积层、S2池化层&＃xff08;或者叫下采样&＃xff09;、C3卷积层、S4池化层&＃xff08;或者叫下采样&＃xff09;、C5卷积层、F6全连接层和最后一层输出层OUTPUT。

LeNet各层&＃xff0c;输入图像大小、卷积核大小、步长和通道数以及输出图像大小&＃xff0c;如本图所示。

2.特征图大小的计算

卷积层和池化层采用不同的公式。
a.卷积层

a.池化层

解释&＃xff1a;OutSize为输出图像大小&＃xff0c;InputSize为输入图像大小&＃xff0c;KernelSize为卷积核大小&＃xff0c;Stride为步长&＃xff0c;Padding为卷积时填充方式。根据这两个公式&＃xff0c;就可以计算得出上表。读者可以都计算一下。指的说明的是&＃xff0c;LeNet中填充方式为valid&＃xff0c;即不填充&＃xff0c;Padding为0.

3.补充知识

a.一个神经元的基本结构

加偏置项x0&＃xff1a;解决线性不可分问题&＃xff0c;从而使得模型能够逼近任何非线性函数。

激活函数主要起此作用&＃xff08;使得模型能够逼近任何非线性函数&＃xff09;。偏置项此功能比较弱。

b.padding的三种填充方式

same模式只有步长为1时&＃xff0c;输入和输出的尺度才相同

c.卷积操作


d.池化操作

池化操作的方式也有很有&＃xff0c;这里以MaxPool&＃xff08;最大池化&＃xff09;和AvgPool&＃xff08;取平均池化&＃xff09;为例。


在构建卷积神经网络时&＃xff0c;往往会用在卷积层之后&＃xff0c;通过池化来降低卷积层输出的特征维度&＃xff0c;有效减少网络参数的同时还可以防止过拟合现象

参考&＃xff1a;

1.建议大家大此文&＃xff0c;详细讲解了LeNet模型的结构&＃xff1a;LeNet模型解读

2.经典网络结构(LeNet , AlexNet , VGG , GoogLeNet)剖析
3.卷积神经网络-LenNet&＃xff08;代码实现pytorch&＃xff09;