본문 바로가기

머신러닝, 딥러닝

스트라이드, Stride

필터를 적용하는 위치의 간격을 “ 스트라이드 , stride “ 라고 한다. 우리말로는 보폭이라는 뜻이다. 지금까지 본 예는 모두 스트라이드가 1이었지만, 예를 들어 스트라이드를 2로 하면 필터를 적용하는 윈도우가 모두 두 칸씩 이동한다.

크기가 ( 7 , 7 ) 인 입력데이터에 스트라이드를 2로 설정한 필터를 적용한다. 이처럼 스트라이드는 필터를 적용하는 간격을 지정한다.

하지만, 스트라이드를 2로 하니 출력 데이터가 ( 4 , 4 ) 에서 ( 3 , 3 ) 으로 줄었다.

이처럼 스트라이드를 키우면 출력 크기는 작아진다. 한편, 패딩을 크게 하면 출력 크기는 커진다. 이러한 관계는 수식으로 나타 낼 수 있다.

입력 크기를 ( H, W ) , 필터 크기를 ( FH, FW ) , 출력 크기를 ( OH, OW ), 패딩을 P, 스트라이드를 S라 하면 출력 크기는 다음 식으로 계산한다.

OH = ( H + 2P - FH ) / S + 1

OW = ( W + 2P - FW ) / S + 1

단, 위의 식은 모두 정수로 나누어 떨어져야 한다. 이유는 설명하지 않아도 알것이라고 생각한다.''

'머신러닝, 딥러닝' 카테고리의 다른 글

3차원의 합성곱 연산  (0) 2020.01.20
패딩, Padding  (0) 2020.01.20
합성곱 연산  (0) 2020.01.20
기울기  (0) 2020.01.20
편미분  (0) 2020.01.20