专栏介绍：本栏目为 “2022春季中国科学院大学王亮老师的深度学习” 课程记录，这门课程与自然语言处理以及机器学习有部分知识点重合，重合的部分不再单独开博客记录了，有需要的读者可以移步 💗自然语言处理专栏和💗机器学习专栏。 如果感兴趣的话，就和我一起入门DL吧🥰
🍓 2018-2019 学年第二学期期末试题
🍓 （12分）三、下图是一个简单多层卷积结构图，请计算出每层输出的feature map大小和各层的参数量（所有层padding为0）
- 输入图片尺寸为：3x128x128
- 第一层卷积：96个大小为3的卷积核，步长为1
- 第二层池化：96个大小为2的均值池化核，步长为2
- 第三层卷积：64个大小为3的卷积核，步长为2
这一节相关的知识可以参看这篇博文：【一起入门NLP】中科院自然语言处理第4课-卷积神经网络CNN
公式：
- 求卷积层输出尺寸：output=(N+2xP-F)/stride+1
- 求池化层输出尺寸：output=(N-F)/stride+1
- 求卷积层参数个数：（FxFxn+1)xk
- 求池化层参数个数：池化层没有参数，池化层没有参数，池化层没有参数
- N：特征图原始尺寸
- P：pad值
- stride：步长
- F：卷积核尺寸
- n：特征图个数
- k：卷积核个数
- +1：加上一个偏置值
第一层：
- 特征图原始尺寸N=128
- 特征图个数n=3
- 卷积核尺寸F=3
- 卷积核个数k=96
- P=0
- stride=1
- 第一层的输出尺寸：(N+2xP-F)/stride+1=(128+0-3)/1+1=126，因此feature map的大小为：126x126x96✅
- 第一层的参数量：（FxFxn+1)xk=(3x3x3+1)x96=2688✅
第二层：
- 上一层的输出尺寸N=126
- 上一层的特征图个数=上一层核个数n=96
- 卷积核尺寸F=2
- 卷积核个数k=96
- P=0
- stride=2
- 第二层的输出尺寸：(N±F)/stride+1=(126-2)/2+1=63，因此feature map的大小为：63x63x96✅
- 第二层的参数量：0 ✅
第三层：
- 上一层的输出尺寸N=63
- 上一层的特征图个数=上一层核个数n=96
- 卷积核尺寸F=3
- 卷积核个数k=64
- P=0
- stride=2
- 第三层的输出尺寸：(N+2xP-F)/stride+1=(63+0-3)/2+1=31，因此feature map的大小为：31x31x64❓
- 第三层的参数量：（FxFxn+1)xk=(3x3x96+1)x64=55360✅
文章出处登录后可见！
已经登录？立即刷新
