D2L-35-卷积层 - 步幅 - Stride

Last updated Feb 27, 2022 Edit Source

• All
• Deep learning
• Cnn
• Stride

Tags: #DeepLearning #CNN #Stride

• It’s always nice to have an interactive example:

  • Convolution Visualizer
  • CNN Explainer

• 卷积操作会使图像尺寸变小, 增大步幅 (Stride) 可以加快这个过程.

• 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。而每次滑动元素的数量就称为_步幅_（stride）

• 通常, 当垂直步幅为 $s_{h}$ (height) 、水平步幅为 $s_{w}$ 时 (width) , 输出形状为 $$ \left\lfloor\frac{x_{h}-k_{h}+p_{h}+s_{h}}{s_{h}}\right\rfloor \times\left\lfloor\frac{x_{w}-k_{w}+p_{w}+s_{w}}{s_{w}}\right\rfloor $$

• 如果我们设置了 $p_{h}=k_{h}-1$ 和 $p_{w}=k_{w}-1$, 则输出形状将简化为 $$\left\lfloor\frac{x_{h}+s_{h}-1}{s_{h}}\right\rfloor \times\left\lfloor\frac{x_{w}+s_{w}-1}{s_{w}}\right\rfloor$$

• 更进一步, 如果输入的高度和宽度可以被垂直和水平步幅整除, 则输出形状将为 $$\left(\frac{x_{h}}{s_{h}}\right) \times\left(\frac{x_{w}} {s_{w}}\right)$$