卷积池化后-特征图大小的计算

featureMap的大小有什么规律，怎么计算呢？

padding就是扩充图片，在输入图片外围补充一些像素点，并初始化为0。目的是保持feature map 不要太小。

Tensorflow中的填充只有两种类型：SAME：是填充；VALID：是不填充。

    # VALID 对应的是不填充，即不做任何处理。
    # SAME  这种填充方式在strides=1的情况下，使得输出能够保持和输入尺寸一致。

Theano中的填充则有不填充、半填充、全填充三种，它的半填充对应Tensorflow的SAME。

总结公式：

设输入为W，卷积核F，池化核K，步幅S, 填充P（VALID时为0，SAME时为1）。
卷积层输出：
      Padding='SAME'，输出尺寸为： ceil(W / S)
      Padding='VALID'，P=0，输出尺寸为：(W+2P-F)/S + 1
池化层输出：
      Padding='SAME'，P=1，输出尺寸为： ceil(W / S)
      Padding='VALID'，P=0，输出尺寸为：(W+2P-K)/S + 1。

测试过程：

直接命令行依次操作即可，

print输出类似：Tensor("Relu:0", shape=(?, 28, 28, 32), dtype=float32)

 

import tensorflow as tf
x_image = tf.placeholder(tf.float32, [None, 28, 28, 1])
W_conv1 = tf.Variable(tf.truncated_normal([5,5,1,32], stddev=0.1))
b_conv1 = tf.Variable(tf.constant(0.1, shape=[32]))
h_conv1 = tf.nn.relu(tf.nn.conv2d(x_image, W_conv1, strides=[1, 1, 1, 1], padding='SAME') + b_conv1)
print(h_conv1)
#shape=(?, 28, 28, 32), 其中W=28,S=1, 所以28 = ceil(28/1)

h_pool1 = tf.nn.max_pool(h_conv1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
#shape=(?, 14, 14, 32), W=28,strides的S=2, 所以14 = ceil(28/2) = 14

##----------------
## x_image = tf.placeholder(tf.float32, [None, 28, 28, 1])
## W_conv1和b_conv1不变
h_conv1_valid = tf.nn.relu(tf.nn.conv2d(x_image, W_conv1, strides=[1, 1, 1, 1], padding='VALID') + b_conv1)
# shape=(?, 24, 24, 32)，输入W=28,W_conv1的F=5,P=0,S=1, 所以(28 + 2*0 - 5)/1 + 1 = 24
h_pool1_valid = tf.nn.max_pool(h_conv1_valid, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')
# shape=(?, 12, 12, 32)，输入W=24,ksize的K=2,P=0,S=2, 所以(24+2*0-2)/2 + 1 = 12

## 在h_pool1之后加第二层卷积：
W_conv2 = tf.Variable(tf.truncated_normal([5, 5, 32, 64], stddev=0.1))
b_conv2 = tf.Variable(tf.constant(0.1, shape=[64]))
输入shape=(?, 14, 14, 32)
h_conv2 = tf.nn.relu(tf.nn.conv2d(h_pool1, W_conv2, strides=[1, 1, 1, 1], padding='SAME') + b_conv2)
输出shape=(?, 14, 14, 64) W=14,S=1, 所以14=(14/1)

输入h_pool1，如果padding='VALID'：
h_conv2_valid = tf.nn.relu(tf.nn.conv2d(h_pool1, W_conv2, strides=[1, 1, 1, 1], padding='VALID') + b_conv2)
输出shape=(?, 10, 10, 64)  W=14,P=0,F=5,S=1, 所以(14+0-5)/1+1=10

# h_conv2之后加一层池化：
输入h_conv2的shape=(?, 14, 14, 64)
h_pool2 = tf.nn.max_pool(h_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
输出shape=(?, 7, 7, 64)，输入W=14, strides的S=2, 所以 ceil(14/2) = 7

输入h_conv2，如果padding='VALID'：
h_pool2 = tf.nn.max_pool(h_conv2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='VALID')
输出shape=(?, 7, 7, 64)，W=14,P=0,K=2,S=2, 所以(W+2P-K)/S+1 = (14-2)/2+1 = 7

 

参考：

https://zhuanlan.zhihu.com/p/36278093

https://blog.csdn.net/qq_26552071/article/details/81171161

https://flat2010.github.io/2018/06/15/%E6%89%8B%E7%AE%97CNN%E4%B8%AD%E7%9A%84%E5%8F%82%E6%95%B0/