Python深度学习pytorch神经网络填充和步幅的理解

目录

• 填充
• 步幅

上图中，输入的高度和宽度都为3，卷积核的高度和宽度都为2，编程客栈生成的输出表征的维度JDlBs为 2 2 2\times2 22。从上图可看出卷积的输出形状取决于输入形状和卷积核的形状。

填充

以上面的图为例，在应用多层卷积时，我们常常丢失边缘像素。

解决这个问题的简单方法即为填充（padding）：在输入图像的边界填充元素（通常填充元素是0）。

例如，在上图中我们将 3 3 3\times3 33输入填充到 5 5 5\times5 55，那么它的输出就增加为 4 4 4\times4 44。变换如下图所示：

步幅

在计算互相关时，卷积窗口从输入张量的左上角开始，向下和向右滑动。在前编程客栈面的例子中，我们默认每次滑动一个元素。但是，有时候为了高效计算或是缩减采样次数，卷积窗口可以跳过中间位置，每次滑动多个元素。

我们将每次滑动元素的数量称为步JDlBs幅（stride）。下图展现的是垂直步幅为3，水平步幅为2的二维互相关运算。

以上就是python深度学习pytorch神经网络填充和步幅的理解的详细内容，更多关于pytorch神经网络填充和步幅的资料请关注我编程客栈们其它相关文章！