卷积神经网络特征图大小的计算

前言

特征图大小计算式卷积神经网络中一个很基础的问题，也是一个必须理解的问题。卷到最后我们要知道提取的特征的维度的大小，所以我们必须知道，卷积后特征图的大小。这里我们讲解一下卷积的不同方式以及特征图大小计算的公式。

基本公式

卷积的不同方式

常用的卷积(不包含反卷积/转置卷积)的方式有两种，一种是Valid，一种是SAME。阅读过深度学习开源代码的小伙伴，估计知道这两个参数。比如在使用tensorflow的tf.nn.conv2d函数卷积时padding参数就可以指定为VALID或者SAME，下面我们就讲解一下这两个参数取值的意义。

VALID

valid是卷积方式的一种，卷积的示例如下图：

可以看到，使用valid方式卷积时，不会做填充，卷积核不会有超出特征图的范围。如果在卷积时剩下的部分不能被卷积核完全覆盖，则这部分将会被放弃，不参与卷积。具体如下图：
这是一个2X3的特征图，卷积核的大小是2X2，步长是2，则只能进行一次卷积，最后一列将被对其丢弃，不参与卷积。

对于valid方式卷积后特征图大小的计算，同样可以使用第二部分中的公式，此时P=0:
width = (W - F) / S + 1 不能整除时向下取整
height = (H - F) / S + 1 不能整除时向下取整

SAME

same也是卷积方式的一种，如果卷积核的大小是3X3，卷积的示例如下图：
可以看到，使用same方式卷积时，会做填充，填充圈数的公式为P = (F-1)/2。这样可以保证所有的内容都参与卷积，不会丢弃任何列。
同样对于一个2X3的特征图，卷积核的大小是2X2，步长是2，将进行padding，这样将可以进行两次卷积操作。