【图解】神经网络各种层的输入输出尺寸计算

【图解】神经网络各种层的输入输出尺寸计算

看到网上有很多计算神经网络各种层的输入输出尺寸的公式，但是往往只是直接给出公式，并没有教给我们如何得到这种公式的，自己学习的时候，做一下记录以及图解

卷积层

首先给出公式，这里肯定假设输入图像是等宽高的，用到的字母如下：

字母名称	含义
$I$	输入图片的大小为 $I\times I$
$K$	卷积核的大小为$K\times K$
$P$	padding为$P$
$S$	步长为$S$

则输出图像的尺寸为$O\times O$,其中
$$O=\frac{I+2P-K}{S}+1$$
具体是怎么得到这个公式的呢，我们下面举个具体的例子。比方说输入尺寸为$5\times 5$，卷积核大小为$3\times 3$，padding为1，步长为2。
原始图像为：

卷积的两种padding方式：
same的意思是，这个same的意思是输出的尺寸和输入的尺寸一样，这就要求，步长为1，
$$P=\frac{I-1}{2}$$
valid的意思是，不补零，输出尺寸会变小。

池化层

由于池化操作也是滑动窗口的方式，因此和卷积层的参数计算方式是一样的。

全连接层

全连接层的输入输出是固定的，指定多少就是多少。