分组卷积计算量_深度学习卷积参数量，图像输出尺寸，感受野的计算

最新推荐文章于 2024-07-14 21:01:19 发布

原创

最新推荐文章于 2024-07-14 21:01:19 发布 · 517 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#分组卷积计算量

本文详细探讨了深度学习中的卷积计算，包括分组卷积、深度可分离卷积的参数量计算，以及卷积后输出图像尺寸、空洞卷积的处理和感受野的计算方法。提供了公式和实例，有助于理解并应用于实践。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度学习卷积参数量，图像输出尺寸，感受野的计算，

是针对我之前一篇博客的一些单独抽离和总结，方便复习

文章目录

0. 网络中卷积乘法次数和加法次数

1. 分组卷积

2. 深度可分离卷积

3. 卷积后输出的图像尺寸

4. 空洞卷积

5. 感受野的计算

感受野计算例1

感受野计算例2

0. 网络中卷积乘法次数和加法次数

K × K {K}\times{K}K×K的卷积核，在一次卷积的过程中，运用K 2 K^{2}K2次的乘法，K 2 − 1 K^{2}-1K2−1次加法

1. 分组卷积

详细的带图解释引用参考这个链接

https://zhuanlan.zhihu.com/p/65377955

概念

将输入特征图按照通道数分成g组，每组分别进行卷积操作

计算量的计算

分组卷积参数量标准卷积参数量 = h 1 × w 1 × c 1 g × c 2 g × g h 1 × w 1 × c 1 × c 2 = 1 g \frac{分组卷积参数量}{标准卷积参数量} = \frac{ {h_{1}} \times {w_{1}} \times {\frac {c_{1}} {g}} \times{\frac{c_2}{g}}\times{g}} { {h_{1}} \times {w_{1}} \times {c_{1}} \times{c_2}} = \frac{1}{g}标准卷积参数量分组卷积参数量=h1×w1×c1×c2h1