步长2和最大汇聚层的步长卷积的维数

Question

这个问题不是关于跨越式卷积相对于最大池的好处。当输入图像的宽度和高度不相同，填充相同的时，如何计算条纹卷积和最大池的维数，这篇文章的目的是作为一个规范源。

我的研究:当图像宽度和高度不同时，填充是“相同的”，特别是对于tensorflow，我找不到合适的公式来计算卷积的输出。同样的问题仍然存在于跨越式卷积和最大池。

我知道这个帖子。但就像我之前说过的，它不适用于不同的图像大小。我也知道这个帖子。但是它不回答发生什么事，填充是相同的(在tensorflow中)。

但是，假设我有大小为240x320**.**的图像，而我有两个版本的网络。

A版：

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')

B版：

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A和B版本的每个层之后，，给定上述输入图像大小，输出维是多少?如果我在Keras中这样做，我只会使用model.summary()；但是，我使用的是tensorflow，没有类似的函数。我无法在我正在工作的远程机器上运行张紧板。

Answer 1

您可以通过以下方式获得产生的张量的形状。

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)