卷积神经网络参数尺寸计算

CNN卷积神经网络理解参数尺寸计算理解

图片尺寸大小经过卷积后计算
卷积尺寸计算：尺寸变为（（原始尺寸+2*填充-核尺寸）/步长）+1
Conv2d参数如下：

    conv2d 参数(输入通道，输出通道，核尺寸，步长，填充等)
        in_channels: int,
        out_channels: int,
        kernel_size: _size_2_t,
        stride: _size_2_t = 1,
        padding: Union[str, _size_2_t] = 0,
        dilation: _size_2_t = 1,
        groups: int = 1,
        bias: bool = True,
        padding_mode: str = 'zeros',  # TODO: refine this type
        device=None,
        dtype=None

卷积尺寸计算：经过Conv2d卷积后，尺寸变为（（原始尺寸+2填充-核尺寸）/步长）+1
举个例子，卷积自编码为例，原始数据为1通道，2828的图片

  class AutoEncoder(nn.Module):
    def __init__(self):
        super(AutoEncoder, self).__init__()
        self.en_conv = nn.Sequential(
            nn.Conv2d(1, 16, 4, 2, 1), 原始图像 1通道 尺寸 28*28，核尺寸4*4，步长为2，填充1
            nn.BatchNorm2d(16),        经过一次卷积 16通道 14*14 按上面公式计算的 (28+2-4)/2 +1 =14
            nn.Tanh(),
            nn.Conv2d(16, 32, 4, 2, 1),
            nn.BatchNorm2d(32),          经过一次卷积 32通道 7*7
            nn.Tanh(),
            nn.Conv2d(32, 16, 3, 1, 1),     
            nn.BatchNorm2d(16),          经过一次卷积 16通道 7*7
            nn.Tanh()
        )
        self.en_fc = nn.Linear(16*7*7, HIDDEN_SIZE)
        self.de_fc = nn.Linear(HIDDEN_SIZE, 16*7*7)
        self.de_conv = nn.Sequential(
            nn.ConvTranspose2d(16, 16, 4, 2, 1), 反卷积，可以参考反卷积计算公式
            nn.BatchNorm2d(16),
            nn.Tanh(),
            nn.ConvTranspose2d(16, 1, 4, 2, 1),
            nn.Sigmoid()
        )

    def forward(self, x):
        en = self.en_conv(x)
        code = self.en_fc(en.view(en.size(0), -1))
        de = self.de_fc(code)
        decoded = self.de_conv(de.view(de.size(0), 16, 7, 7))
        return code, decoded`

``