CNN 卷积神经网络（卷积、池化）长度、宽度、深度计算

卷积神经网络说白了就是拿一堆小的矩阵去点乘（注意我说的是点乘，不是矩阵乘，这个很重要）一个大矩阵，最后得到局部信息。看图(来源于网络，只做说明用)：

给出一个matlab求解代码：

A1 = [0 0 0 0 0 0 0;
     0 0 1 1 0 2 0;
     0 2 2 2 2 1 0;
     0 1 0 0 2 0 0;
     0 0 1 1 0 0 0;
     0 1 2 0 0 2 0;
     0 0 0 0 0 0 0];
 
A2 =[0 0 0 0 0 0 0;
     0 1 0 2 2 0 0;
     0 0 0 0 2 0 0;
     0 1 2 1 2 1 0;
     0 1 0 0 0 0 0;
     0 1 2 1 1 1 0;
     0 0 0 0 0 0 0];
 
A3 =[0 0 0 0 0 0 0;
     0 2 1 2 0 0 0;
     0 1 0 0 1 0 0;
     0 0 2 1 0 1 0;
     0 0 1 2 2 2 0;
     0 2 1 0 0 1 0;
     0 0 0 0 0 0 0];
 
w1 = [-1 1 0
       0 1 0
       0 1 1];
w2 = [-1 -1 0
       0  0 0
       0 -1 0]
w3 = [0  0 -1
      0  1  0
      1 -1 -1]
  
a = zeros(3,3);

for i = 1:2:5
    for j = 1:2:5
        sum1 = sum(sum(A1(i:i+2,j:j+2).*w1));
        sum2 = sum(sum(A2(i:i+2,j:j+2).*w2));
        sum3 = sum(sum(A3(i:i+2,j:j+2).*w3));
        a((i+1)/2,(j+1)/2) = sum1 + sum2 + sum3 + 1;
    end
end

输入一张矩阵表示的图片，有3个通道（RGB），用两个卷积核去卷积它，每一个卷积核又是3通道的，为什么卷积核从三通道变成了二通道，那是因为在3进行3通道卷积后，最后的卷积结果加和了，并且加上了偏置。还不懂？你算一下FilterW0那一层和InputVolume那一层对应元素相乘之后加偏置1是不是等于6，所有的东西依此类推就计算出最后的输出矩阵了。
  下面来说一下卷积后的图像的深度(D)、宽度(W)、长度(L)都编程多少了。首先有一个概念，叫padding，实际上在tensorflow和Keras中关于卷积的时候都有两个方法可供选择，叫valid和same，所谓valid就是两边不补0，SAME就是两边补相同数目的0。好了那么问题来了，两边步几个0怎么计算啊，大家不要急这个是固定的。

 

• 3*3，padding大小一般为1，两边的就2*1=2
• 5*5，padding大小一般为2，两边的就2**=4
• 7*7，padding大小一般为3，两边的就3*2=6
    卷积以后的卷积核大小怎么求呢，首先确定卷积以后的矩阵深度（W）等于卷积核大小，也是是说一个卷积核生成一个feature_map（这个不懂的话自己去百度，其实图中那个绿色的矩阵就是一个feature_map）。
    然后再来说说长度和宽度，这个玩意由于是正方形矩阵，其实是一回事，有个计算公式：
• 
  
    是不是觉得好理解多了，转化成符号：
• 
• s是stride，也就是步长
  
    其中W/H表示宽度/长度，P表示单边(画重点单边)补全数，K代表卷积核的大小（比如5*5就是5)。好了又有一个问题出来了，为啥要加1呢，这个你就这么理解吧 你算1-9之间有几个数是不是9-1+1共9个数啊。