TensorFlow中CNN的两种padding方式“SAME”和“VALID”

来源

dilation_rate为一个可选的参数，默认为1，这里我们可以先不管它。

整理一下，对于“VALID”，输出的形状计算如下：

new_height=new_width=⌈(W–F+1)/S⌉

对于“SAME”，输出的形状计算如下：

new_height=new_width=⌈W/S⌉

其中，W为输入的size，F为filter为size，S为步长，⌈⌉为向上取整符号

总之，TensorFlow 使用如下等式计算 SAME 、PADDING

SAME Padding， 输出的高和宽，计算如下：

out_height = ceil(float(in_height) / float(strides1))

out_width = ceil(float(in_width) / float(strides[2]))

VALID Padding， 输出的高和宽，计算如下：

out_height = ceil(float(in_height - filter_height + 1) / float(strides1))

out_width = ceil(float(in_width - filter_width + 1) / float(strides[2]))

维度

综合目前所学的知识，我们应该如何计算 CNN 中每一层神经元的数量呢？

输入层（input layer）维度值为W， 滤波器（filter）的维度值为 F (height * width * depth)， stride 的数值为 S， padding 的数值为 P， 下一层的维度值可用如下公式表示: (W−F+2P)/S+1。

我们可以通过每一层神经元的维度信息，得知模型的规模，并了解到我们设定的 filter size 和 stride 如何影响整个神经网络的尺寸。

正解

H = height, W = width, D = depth

我们有一个输入维度是 32x32x3 (HxWxD)

20个维度为 8x8x3 (HxWxD) 的滤波器

高和宽的stride（步长）都为 2。(S)

padding 大小为1 (P)

计算新的高度和宽度的公式是：

new_height = (input_height - filter_height + 2 * P)/S + 1

new_width = (input_width - filter_width + 2 * P)/S + 1

输出的维度（shape）是什么？

(32-8+2*1)/2+1=14

滤波器的个数20就是新的深度