卷积层以及池化层的输出维度

在学习tensorflow时，总是对各种各样的参数烦的死去活来，尤其是卷积核的长宽高步长什么的，特别“迷人”。因此本人搜索了很多的资料，进行了综合，并加上了自己的理解，供大家学习参考。

一、输入的四个维度

1）batch_size：说白了，就是图片的个数。

2）height/weight:图片的高和宽。

3）channels:图片的通道数，黑白照片就是1，RGB就是3。

例如我们的输入是X =【333，28，28，3】，则代表我们有333个宽和高都是28的黑白照片（单通道照片）。

二、卷积核的四个维度

1）height/weight:卷积核矩阵的维度

2）inchannels:与输入的通道数相等。如何理解这个参数的意思呢？这个参数代表的是我们所操作的图像的通道数。例如，我们有上例的X的通道数为3，那这个inchannels也是3。我们要做的是，将这个卷积核分别与图片A的三个通道卷积，相加作为输出。

3）outchannel：输出的特征数。这个参数是自己选定的。

现在假设我们X=【333，28，28，3】的输入，W=【5，5，3，32】。那么输出是什么呢？首先输出图片数不变，仍是333。其次，我们先假设图片大小也不变（后文会讨论）。我们的操作是，对于任意333张中的任意一张图片A，用32个卷积核去卷积，这样我们每张图片就会得到32个特征，那么得到的新图片的通道数就是32（对应前面的RGB的通道数是3）。因此我们的得到的输出是【333，28，28，32】（假设得到的图片大小不变）.如下图所示。

4）、步长的维度

步长的维度一般设置【1，a,a,1】。第一个和第四个分别代表跳过照片的数量和跳过维度的数量，因为我们要训练每一张照片和每一个维度，所以上述都设置为1（以上是我的猜测QAQ）。中间的则代表我们在照片长宽跳过的像素数。这里，网上有两个盛传的公式：

卷积：(（W-F+2P）/S )+ 1

池化：（W-F）/S + 1.

例如池化矩阵的大小和步长都是2*2的。那么池化后的高：（28-2）/2 +1 = 14，宽：（28-2）/2 + 1 =14.

关于池化层和卷积层的参数问题就讲到这里。本文写的相当仓促，所以可能会有大量的漏洞和不足，望指正。