簡(jiǎn)述

在網(wǎng)上看了很多的解釋，自己又大致的理解了一下之后明白了。

文章目錄

• • 簡(jiǎn)述
  • 卷積
  • 加上padding的卷積
  • • 1.使得整個(gè)圖大小不會(huì)發(fā)生變化。
    • 2.使得整個(gè)圖大小不會(huì)發(fā)生變化。
  • 實(shí)際上的公式
  • 關(guān)于padding的數(shù)值
  • 引用

卷積

首先我們得明白什么是卷積。

但是由于我們這里只想要推理padding的大小，所以只會(huì)討論這個(gè)大小的問題。

• (n,n)和(n, n)的矩陣相乘，規(guī)模任然是(n, n)。
• 我們知道，卷積的過程，其實(shí)是kernal在整體輸入上的一個(gè)滑動(dòng)的過程。
• 首先我們得知道滑動(dòng)的步長(zhǎng)。（stride）
• 推理這個(gè)公式其實(shí)非常簡(jiǎn)單。 (original_size - (kernal_size - 1)) / stride
• 上面的公式現(xiàn)在還沒有化簡(jiǎn)，但是其實(shí)非常容易理解的。就是原圖刪除掉（kernal-1）大小之后的區(qū)間除以stride后，向下整數(shù)。
• 減去那個(gè)部分是為了避免越界。
• 之后再除以步長(zhǎng)，就是小學(xué)經(jīng)典的，給定長(zhǎng)度的路，再給定一個(gè)樹之間的間距，來算能插入多少棵樹的問題了。

上面的公式就給出了，經(jīng)過一次卷積之后，生成的圖的大小。

---

加上padding的卷積

上面部分其實(shí)是容易理解，加上padding有兩個(gè)作用

padding的含義： 在四周加格子

1.使得整個(gè)圖大小不會(huì)發(fā)生變化。

• 如果留心上面的操作的話，會(huì)發(fā)現(xiàn)，只有當(dāng)kernal=1并且stride=1的時(shí)候，新圖的大小才能等于原始大小。否則只能更小。但是對(duì)于研究深度學(xué)習(xí)的人（調(diào)模型參數(shù)的菜雞們），這個(gè)怎么可以容忍了，沒有參數(shù)可以調(diào)了！！只能是1！那還搞什么啊！
• 所以，加上了padding

加上padding之后，上面的公式就要發(fā)生修改了。

$$(OriginalSize?(KernalSize?1)+2?padding)/stride$$

因?yàn)閜adding如果是數(shù)值的話，表示的是兩邊都加。也就加了兩遍的padding在origin的大小上，所以，就乘以2

2.使得整個(gè)圖大小不會(huì)發(fā)生變化。

使得邊緣的數(shù)據(jù)可以被用到。非常顯然，這里的邊緣數(shù)據(jù)都很少被用到的。

所以加上之后，擴(kuò)充了整個(gè)圖，讓邊緣的數(shù)據(jù)的用到次數(shù)得到提高。這樣才能更好的得到整張圖的特征。

實(shí)際上的公式

$$OutputSize=\frac{InputSize?KernalSize+2?Padding}{stride}+1$$

非常奇怪，公式是這樣的。
其實(shí)，當(dāng)OutputSize這些都是2的倍數(shù)的時(shí)候，這個(gè)是沒什么考慮的。
個(gè)人認(rèn)為是考慮到有奇數(shù)的情況。但具體的我也沒有經(jīng)過數(shù)學(xué)推導(dǎo)證明過，如果有的話，歡迎大佬分享。

關(guān)于padding的數(shù)值

這里就引進(jìn)了一個(gè)新的參數(shù)，那就是bias.

有興趣的朋友可以自己查一查。

引用

https://blog.csdn.net/u012442157/article/details/78570505
https://pytorch.org/docs/stable/nn.html
https://blog.csdn.net/g11d111/article/details/82665265

總結(jié)

以上是生活随笔為你收集整理的nn.Conv2d中padding详解【pytorch学习】的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。