卷积后图片尺寸

1.卷积简介

卷积运算的目的是提取输入的不同特征，某些卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。实际使用中往往与BN（批量归一化）、激活函数搭配使用。
卷积和池化区别：卷积往往需要学习参数w和b，池化不需要学习。
卷积层后往往加激活函数进行非线性变换，池化不需要。

2. 卷积输出尺寸

卷积后图片输出后尺寸：
$$N=\frac{W+2P-F}{s}+1$$
根据公式推出SAME需要填充的padding：
$$P=\frac{(N-1)\ast s+F-W}{2}$$

 W：输入原图尺寸，P为四周填充层数，F为卷积核尺寸，S为步长

SAME填充的效果：
自动计算填充：框架会自动计算卷积核或池化窗口边缘所需的填充量，以便在不改变特征图尺寸的情况下应用操作。
保持尺寸一致：无论卷积或池化操作如何，只要设置了 “SAME” 填充，输出特征图的高度和宽度都将与输入特征图相同。
边缘填充：如果需要，框架会在输入特征图的周围填充零值（或其他指定的填充值），以确保卷积或池化操作可以在边缘处应用。
步长影响：
即使设置了 “SAME” 填充，如果步长（stride）大于1，输出特征图的尺寸可能会小于输入特征图的尺寸。步长是指卷积核或池化窗口滑动的间隔。具体来说：
步长为 1：当步长为 1 时，卷积核或池化窗口每次移动一个像素单位。在这种情况下，如果使用 “SAME” 填充，输出特征图的尺寸将与输入特征图的尺寸相同。
步长为 2 或更大：当步长增加到 2 或更大时，卷积核或池化窗口每次移动两个或更多的像素单位。这会导致输出特征图的尺寸减小。即使使用 “SAME” 填充，输出特征图的尺寸也将是输入特征图尺寸除以步长因子后的结果。

所以无论是卷积还是池化，输出图片大小尺寸为：

padding=VALID
$$N=\frac{W-F+1}{S}(向上取整)$$

padding=SAME:
$$N=\frac{W}{S}(向上取整)$$

3.参数量

卷积网络结构中参数数量怎么算？

神经网络中W参数的行和列数量取决于前后隐藏层中神经元的个数。
如果是卷积层，卷积核的参数计算取决于卷积核的尺寸、输入数据的深度（即通道数）以及卷积核的数量。计算公式为：

$$(Cin\ast K\ast K+1)\ast Cout$$

注：Cin为输入通道数，Cout为卷积核个数(输出通道数）

神经网络各层的神经元个数如何计算？

输入层神经元的个数取决于输入图片的特征数，一般无非线性变换。
输出层神经元的个数取决于需要预测的目标变量的数目。回归任务可以同时预测多个结果，无非线性。分类任务如果多分类就有多个分类结果，存在softmax或者sigmod非线性变换 。
隐藏层神经元个数需要大量经验得出合适个数，必须要有非线性结构。