卷积向下取整 池化向上取整
在我计算GoogLeNet的每一步的图片的尺寸的时候
我运用卷积的计算公式对对我们的图片的尺寸进行计算，却发现是不行的，我就很疑惑
我用的是一下公式
（1）输入数据体的尺寸是
W
1
×
H
1
×
D
1
W_1 \times H_1 \times D_1
W1?×H1?×D1?
（2）四个超参数：
- 滤波器数量K
- 滤波器空间尺寸F
- 滑动步长S
- 零填充的数量P
（3）输入数据体的尺寸为
W
2
×
H
2
×
D
2
W_2 \times H_2 \times D_2
W2?×H2?×D2?，其中
W
2
=
W
1
?
F
+
2
P
S
+
1
,
H
2
=
H
1
?
F
+
2
P
S
+
1
,
D
2
=
K
W_2=\frac{W_1-F+2P}{S}+1,H_2=\frac{H_1-F+2P}{S}+1,D_2=K
W2?=SW1??F+2P?+1,H2?=SH1??F+2P?+1,D2?=K
最后查了很多资料，最后得到卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，卷积除不尽的结果都向下取整，池化除不尽的结果都向上取整。
- ‘VALID’：相当于我们的padding = 0，所以可以直接计算便可以
- ‘SAME’：用以上的公式进行计算便可，我们需要输出特征图的大小与输入特征图的大小保持不变
若采用’SAME’方式，kernel_size=1时，padding=0；kernel_size=3时，padding=1；kernel_size=5时，padding=3，以此类推。
|