2021-11-10

卷积层计算

---

前言

转载自https://blog.csdn.net/liangjiubujiu/article/details/81000780

---

卷积层尺寸的计算原理

输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数
输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。
权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数）
输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系
卷积核的输入通道数（in depth）由输入矩阵的通道数所决定。
输出矩阵的通道数（out depth）由卷积核的输出通道数所决定。

标准卷积计算举例
以 AlexNet 模型的第一个卷积层为例，

• 输入图片的尺寸统一为 227 x 227 x 3 （高度 x 宽度 x 颜色通道数），
• 本层一共具有96个卷积核，
• 每个卷积核的尺寸都是 11 x 11 x 3。
• 已知 stride = 4， padding = 0，
• 假设 batch_size = 256，
• 则输出矩阵的高度/宽度为 (227 - 11) / 4 + 1 = 55