卷积层和池化层后size输出公式

一、卷积中的相关函数的参数定义如下：

in_channels(int) – 输入信号的通道
out_channels(int) – 卷积产生的通道
kerner_size(int or tuple) - 卷积核的尺寸
stride(int or tuple, optional) - 卷积步长
padding (int or tuple, optional)- 输入的每一条边补充0的层数
dilation(int or tuple, optional) – 卷积核元素之间的间距
groups(int, optional) – 从输入通道到输出通道的阻塞连接数
bias(bool, optional) - 如果bias=True，添加偏置

二、卷积层和池化层后输出size公式如下：

①卷积层参数：
W：宽
H：高
D：深度
K：卷积核的个数
F：卷积核的大小
S：步长
P：用0填充

公式：W/H=[(输入大小-卷积核大小+2*P）/步长] +1

上图中的output =[（7-3）+2*1]/1 +1 =7

关于padding：

自动补全的话，考虑步长为1，每一卷积从第一个维度开始一步一步移动，直到最后一个维度，那么输出肯定是和原来的维度一样，如果步长不是1比如为2 就要向上取整。比如77的图像采用33大小的卷积核进行卷积操作，padding = “SAME”的情况下就是[7/2] = 4，其中[]表示向上取整，最后输出为4*4大小的feature map
① padding = “VALID”, stride = 4, (227 - 11 + 2x0）/ 4 + 1 = 55
② padding = “VALID”, stride = 2, (55 - 3 + 2x0）/ 2 + 1 = 27
③ padding = “SAME”, stride = 1, 27 / 1 = 27
④ padding = “VALID”,stride = 2, (27 - 3 + 2x0) / 2 + 1 = 13

总结：
padding = “VALID”，N = [(W-F+2P)/S]+1，这里表示的是向下取整再加1
padding = “SAME”，N = [W/S]，这里表示向上取整

②池化层参数：
池化层的计算与卷积层一样

三、多通道图像卷积基础

对于多通道图像+多卷积核做卷积，计算方式如下：

如图，输入有3个通道，同时有2个卷积核。对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！

对多通道图像做1x1卷积，其实就是将输入图像于每个通道乘以卷积系数后加在一起，即相当于把原图像中本来各个独立的通道“联通”在了一起。

关于参数还可参照此篇博客：https://www.cnblogs.com/jfdwd/p/10964031.html