如何解釋TensorFlow的卷積濾波器和步進參數？

我想了解TensorFlow的convolution，特別是式如何解釋TensorFlow的卷積濾波器和步進參數？

shape(output) = [batch, 
      (in_height - filter_height + 1)/strides[1], 
      (in_width - filter_width + 1)/strides[2], 
      ...]

我本來期望公式是

shape(output) = [batch, 
      (in_height - filter_height)/strides[1] + 1, 
      (in_width - filter_width)/strides[2] + 1, 
      ...]

代替。從32×32的圖像開始，並應用與進展5x5的過濾器[1,3,3,1]，然後在我的理解這應該產生一個10×10輸出，其值的區域

(0:4,0:4) , (0:4,3:7) , (0:4,6:10) , ..., (0:4,27:31), 
(3:7,0:4) , (3:7,3:7) , (3:7,6:10) , ..., (3:7,27:31), 
... 
(27:31,0:4), (27:31,3:7), (27:31,6:10), ..., (27:31,27:31)

這樣的卷積兩個尺寸應該是floor（（32-5）/ 3）+ 1 = 10而不是floor（（32-5 + 1）/ 3）= 9。我在這裏錯過了什麼？我誤解了卷積在這裏完成的方式和/或參數是什麼意思？如果是這樣，我應該使用什麼參數來獲得上述選擇？

來源

2015-11-16 user1111929

根據issue #196，這部分文檔顯然是錯誤的;我認爲dga的答案仍然存在問題。

它應該是：

地板（（in_height + y_padding-filter_height）/ y_stride）+ 1，

當填充= VALID，y_padding = 0。
當padding = SAME時，通常應調整y_padding以使（in_height + y_padding-filter_height）/ y_stride爲整數，以便'floor'變爲不必要的。

來源

2015-11-17 05:01:27 HSU

你正確 - 它應該是：

小區（浮子（in_height - filter_height + 1）/浮子（步幅[1]））

對於32，如圖5所示，步幅= 3，這變成：ceil（9.33）= 10.

固定並將很快推入github。感謝您抓住這個！欲瞭解更多信息，請參閱github bug discussion, issue #196

來源

2015-11-17 00:30:10 dga

如何解釋TensorFlow的卷積濾波器和步進參數？

回答

相關問題