以经典的LeNet-5例子来逐层分析各层的参数及连接个数:
C1卷积层:有6个feature map,每个feature map中的每个神经元(每个点)与一个5*5的卷积核相连接;该卷积核大小为5*5,padding为0,stride为1;
1、特征图的大小:feature_map = (input_size + padding*2 - 卷积核的边长 + 步长stride) / 步长
特别注意:卷积向下取整,池化向上取整(计算方法都一样)
解释说明:input_size + pading*2 得到的是整个输入图片的全部有效边长;
减去卷积核的边长是因为:卷积核沿原图边长一个像素点一个像素点的扫描,直到卷积核的右边沿触碰原图的右边沿,还有卷积核边长这么宽的位置没有扫描。