【CNN】卷积神经网络CNN输出特征图计算+参数量计算+计算量计算

一、输出特征图大小计算

1. 一维（通道）输入数据

假设输入图像的宽高为input，卷积核宽高为kernel，步长stride，填充padding（单边填充值），输出特征图的宽高为output。

1.1 步长stride为1，padding为0

$output=input-kernel+1$

1.2 增加步长stride，padding不动

$output=floor(\frac{input-kernel}{stride})+1$

floor代表向下取整，例如$floor(\frac{6-3}{2})+1=2$

1.3 增加步长stride，同时还增加padding

$output=floor(\frac{input-kernel+2\times padding}{stride})+1$

2. n维（通道）输入数据

假设输入图像通道数为$n_{input}$，则卷积核通道数同样也应该为$n_{input}$，卷积核个数为$n_{kernel}$，输出特征图的维度（通道数）为$n_{output}$，其余条件同上，则有

$output=floor(\frac{input-kernel+2\times padding}{stride})+1$

$n_{output}=m$

一句话总结：卷积核的通道数应等于输入图像通道数，输出图像通道数应等于卷积核的个数，而跟输入图像的通道数无关。

二、卷积网络参数量计算

参数量的大小决定了网络的复杂度，参数量越小则网络复杂度越低。

2.1 权重weights的参数量：

$weights=kernel\times kernel\times input\times n_{kernel}$

2.2 偏差bias的参数量：

$bias=n_{kernel}$

2.3 总参数量就为：

$weights+bias=kerne{l}^2\times input\times n_{kernel}+n_{kernel}$

三、卷积网络计算量计算

单次卷积，是单个卷积核的$kernel\ast kernel\ast n_{kernel}$个元素与输入图像对应位置相乘，则有$kernel\ast kernel\ast n_{kernel}$次乘法操作，相乘结束后还需要对$kernel\times kernel\times n_{kernel}$个数值进行累加，则一共有$kernel\ast kernel\ast n_{kernel}-1$次加法，因此，一次卷积操作所需要的乘加计算量为：

$2\times kernel\times kernel\times n_{kernel}-1$

由于输出特征图的大小为$output\times output$，那么对全图进行卷积操作，则需要的乘加计算量为：

$(2\times kerne{l}^2\times n_{kernel}-1)\ast outpu{t}^2$

若卷积核不止一个，即输出特征图的通道数$n_{output}\ne 1$，则需要的总乘加计算量为：

$(2\times kerne{l}^2\times n_{kernel}-1)\times outpu{t}^2\times n_{output}$