标签:变化 line 注意 opera cnn 学习 包括 size NPU
该部分内容包括:
需要注意的是,LeNet-5中的卷积核size为5×5。
\[
\begin{aligned}
n_{o u t} &=\left\lfloor\frac{n_{i n}+2 p-k}{s}\right\rfloor+ 1 \\
n_{i n} : & \text { number of input features } \\
n_{o u t} : & \text { number of output features } \\
k : & \text { convolution kernel size } \\
p : & \text { convolution padding size } \\
s : & \text { convolution stride size }
\end{aligned}
\]
当padding设置为SAME的时候,会自动补0;当padding设置为VALID的时候,只使用有效的数据故不会补0。
\[
\begin{aligned} n_{o u t} &=\left\lfloor\frac{n_{i n}+2 p-k}{s}\right\rfloor+ 1 \\
j_{o u t} &=j_{i n} * s \\
r_{o u t} &=r_{i n}+(k-1) * j_{i n} \\
\text {start}_{o u t} &=\operatorname{start}_{i n}+\left(\frac{\mathrm{k}-1}{2}-\mathrm{p}\right) * j_{i n}
\end{aligned}
\]
其中\(j\)是jump,含义是从最开始到现在跳过的连续特征点的数目,也就是从最开始到本层(除去本层)所有stride乘积。
标签:变化 line 注意 opera cnn 学习 包括 size NPU
原文地址:https://www.cnblogs.com/lvjincheng/p/11325694.html