【一起入门DeepLearning】中科院深度学习_期末复习题2018-2019第三题:卷积计算

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

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
社会演员多的头像社会演员多普通用户
上一篇 2022年5月26日
下一篇 2022年5月26日

相关推荐