【面试大题】CNN 参数计算

问题1 （正向计算）

输入图片大小为200×200，依次经过
一层卷积（kernel size 5×5，padding 1，stride 2），
pooling（kernel size 3×3，padding 0，stride 1），
又一层卷积（kernel size 3×3，padding 1，stride 1）之后，
输出特征图大小为
A、 95
B、 96
C、 97
D、 98

答案：C
解析：
$$输出特征图尺寸=\lfloor \frac{n+2p-f}{s}\rfloor +1$$
首先我们应该知道卷积或者池化后大小的计算公式，其中，padding指的是向外扩展的边缘大小，而stride则是步长，即每次移动的长度。
这样一来就容易多了，首先长宽一般大，所以我们只需要计算一个维度即可，这样，
经过第一次卷积后的大小为: （200-5+21）/2+1 为99.5，取99
经过第一次池化后的大小为： （99-3）/1+1 为97
经过第二次卷积后的大小为： （97-3+21）/1+1 为97

问题2（正向计算）

卷积神经网络的输入图像尺寸为28x28x3，卷积核大小为3x3x3，卷积核的个数为8，卷积步幅Stride=1，填充值padding=1，则输出的特征图尺寸为
A、28 宽、28 高、8 深
B、13 宽、13 高、8 深
C、28 宽、13 高、8 深
D、13 宽、28 高、8 深
答案：A
解析：
$$输出特征图尺寸=\lfloor \frac{n+2p-f}{s}\rfloor +1$$
其中N为输入图像的宽和高，F为卷积核的宽和高，P为填充值padding，S为卷积核滑动步长stride。

问题3（逆向计算）

在CNN网络中，图A经过核为3x3，步长为2的卷积层，ReLU激活函数层，BN层，以及一个步长为2，核为2*2的池化层后，再经过一个3*3的的卷积层，步长为1，此时的感受野是
A.10
B.11
C.12
D.13
答案：D
解析：
根据上面的公式进行变换，计算感受野的时候不用考虑 padding ，因此 $p=0$，得到公式：
$$n_{out}=\frac{n_{in}-f}{s}+1$$
根据 out = 1 进行逆推：
$$1=\frac{n_1-3}{1}+1,得n_1=3(Conv2)$$
$$3=\frac{n_2-2}{2}+1,得n_2=6(MaxPool)$$
$$6=\frac{n_3-3}{2}+1,得n_3=13(Conv1)$$
因此感受野为13