对于conv卷积输出尺寸的计算公式:
在pytorch中二维卷积函数定义如下:
其卷积后输出尺寸计算公式如下:
w o u t = w i n + 2 ∗ padding − F stride + 1 w_{o u t}=frac{w_{i n}+2 * text {padding }-F}{text {stride}}+1 wout=stridewin+2∗padding −F+1
其中 w i n mathcal{w}_{i n} win代表输入图像尺寸, w o u t mathcal{w}_{out} wout代表输出图像尺寸,padding代表补0的数目,stride代表步长,F代表卷积核的尺寸。
一般,默认的dilation为1,就是普通的卷积操作,如果dilation大于1,表示此时进行空洞卷积,那么这时的卷积之后输出尺寸如何计算?
首先,将空洞卷积的卷积核进行等效成一个等效卷积核的尺寸大小,然后将此等效卷积核的尺寸带入上式的F即可。
这里,空洞卷积的等效卷积核大小尺寸计算公式如下:
K = k + ( k − 1 ) ∗ ( r − 1 ) K = k + (k-1)*(r-1) K=k+(k−1)∗(r−1)
其中, K K K代表等效卷积核尺寸, k k k代表实际卷积核尺寸,而 r r r代表dilation,空洞卷积的参数。
import torchimport torch.nn as nnm = nn.Sequential( nn.Conv2d(1,1,3,stride=1, padding=0, dilation=3), )n = nn.Sequential( nn.Conv2d(1,1,3,stride=1, padding=0, dilation=1) )a = torch.randn(1,1,10,10)print('a.size=',a.size())b = m(a)#print('b=',b)print('b.size=',b.size())c = n(a)#print('c=',c)print('c.size=',c.size())输出结果如下:
a.size= torch.Size([1, 1, 10, 10])
b.size= torch.Size([1, 1, 4, 4])
c.size= torch.Size([1, 1, 8, 8])
可以带入上述公式计算验证。