这个问题不是关于跨步卷积与最大池的好处。这篇文章旨在作为有关如何在输入图像大小的宽度和高度不相同而填充相同时如何计算跨步卷积和最大池的维数的规范来源。
我的研究:我找不到任何公式可以让我在图像宽度和高度不同而填充“相同”时正确计算卷积的输出,特别是对于 tensorflow。 strided convolution 和 max pooling 也存在同样的问题。
我知道这个post .但正如我之前所说,它不适用于不同的图像尺寸。我也知道这个 post .但它没有回答填充是相同的(在tensorflow中)会发生什么。
但是,假设我有尺寸为 240x320 的图像。并且我有 2 个版本的网络。
版本 A:
from tensorflow import layers as tf
x = tf.conv2d(input_im, filters=64, kernel_size=3, strides=1, padding='SAME')
x = tf.conv2d(x, filters=64, kernel_size=3, strides=1, padding='SAME')
x = tf.conv2d(x, filters=64, kernel_size=3, strides=2, padding='SAME')
版本 B:
from tensorflow import layers as tf
x = tf.conv2d(input_im, filters=64, kernel_size=3, strides=1, padding='SAME')
x = tf.conv2d(x, filters=64, kernel_size=3, strides=2, padding='SAME')
x = tf.max_pooling(x, 2, 2, padding='SAME')
我的问题如下。在版本 A 和 B 的每一层之后,给定上述输入图像大小的输出尺寸是多少?如果我在 Keras 中这样做,我会简单地使用 model.summary ();但是,我正在使用 tensorflow 并且没有这样的等效函数。我无法在我正在使用的远程机器上运行 tensorboard。
请您参考如下方法:
您可以通过以下方式获得结果张量的形状。
import tensorflow as tf
input_im = tf.placeholder(tf.float32, shape=[None, 320, 240, 3])
x = tf.layers.conv2d(input_im, filters=64, kernel_size=3, strides=1, padding='SAME')
print('After conv1', x.shape)
x = tf.layers.conv2d(x, filters=64, kernel_size=3, strides=1, padding='SAME')
print('After conv2', x.shape)
x = tf.layers.conv2d(x, filters=64, kernel_size=3, strides=2, padding='SAME')
print('After conv3', x.shape)
