2023-6-11

1.经过网络之后的图像大小计算：https://zhuanlan.zhihu.com/p/395354063

1.1 经过卷积

$after=\frac{(wight-kernal)+2\times padding}{stride}+1$
如果除不尽的话下取整
卷积核的个数为自己设定的

1.2 经过池化

$after=\frac{wight-kernal}{stride}+1$
除不尽下取整
卷积核前后不变

1.3 经过激活函数

不会改变图像shape

2. 网络的性能分析

https://zhuanlan.zhihu.com/p/395354063

2.1 参数分析

卷积层

$参数=设定的通道数\times 卷积核的长\times 宽\times 原始的通道数$

全连接层

$参数=输入向量个数\times 输出向量个数+偏置（输出向量个数）$

池化层

0

2.2 计算次数分析（只算乘法）

https://zhuanlan.zhihu.com/p/395354063

卷积层

$计算次数=输入通道\times 输出通道\times 核长\times 核宽\times 输出图片长\times 输出图片宽$

全连接

$计算次数=输入向量个数\times 输出向量个数$

3.1 思考 为什么Maxpool 这么常用 而Minpool不常用呢

如果在relu之后使用minpool 所得的就为一堆0了

3.2 思考 Maxpool 和 Avgpool有什么区别

最大池化提取特征纹理

平均池化保留背景信息

4. *和**

* 的作用主要是将元组或者列表拆分成单个元素 如将[1, 2, 3] 拆分成为 1 2 3
**的作用主要是传参 如

dir = {'a':1, 'b':2, 'c':3}
foo(**dir)
foo(a = 1, b = 2, c = 3)
#以上两者等价

例子：vgg块

def vgg_block(num_convs, in_channels, out_channels):
    layers = []
    for _ in range(num_convs):
        layers.append(nn.Conv2d(in_channels, out_channels,
                                kernel_size=3, padding=1))
        layers.append(nn.ReLU())
        in_channels = out_channels
    layers.append(nn.MaxPool2d(kernel_size=2, stride=2))
    return nn.Sequential(*layers)

为*layers的原因是nn.Sequential需要的参数为layer[0], layer[1], layer[2], …
如果直接将列表传入，则出现错误