神经网络各种层的输入输出尺寸计算

各种层的输入输出尺寸计算的基本方法：

全连接层（Fully Connected Layer）：

输入尺寸：(批量大小, 输入特征数)
输出尺寸：(批量大小, 输出特征数)
计算方式：输入特征数与输出特征数之间的全连接，输出尺寸就是设定的输出特征数。

卷积层（Convolutional Layer）：

输入尺寸：(批量大小, 输入通道数, 高, 宽)
输出尺寸：(批量大小, 输出通道数, 输出高, 输出宽)
计算方式：
输出高 = (输入高 - 卷积核高 + 2 * 填充) / 步幅 + 1
输出宽 = (输入宽 - 卷积核宽 + 2 * 填充) / 步幅 + 1

池化层（Pooling Layer）：

输入尺寸：(批量大小, 输入通道数, 高, 宽)
输出尺寸：(批量大小, 输入通道数, 输出高, 输出宽)
计算方式：
输出高 = (输入高 - 池化核高) / 步幅 + 1
输出宽 = (输入宽 - 池化核宽) / 步幅 + 1

归一化层（Normalization Layer，比如 Batch Normalization）：

输入尺寸：(批量大小, 特征数)
输出尺寸：(批量大小, 特征数)
计算方式：通常不改变尺寸，仅对特征进行归一化处理。

激活层（Activation Layer，比如 ReLU）：

输入尺寸：(批量大小, 特征数)
输出尺寸：(批量大小, 特征数)
计算方式：不改变尺寸，只是应用激活函数。

这些计算方式可帮助你理解每层的尺寸变换。