卷积运算和运算后特征图大小计算1

every blog every motto: I am a slow walker, but i never walk backwards.

0. 前言

主要讲下卷积运算和运算以后特征图的大小。
有关padding=same/valid可参考第二篇文章

1. 正文

1.1 通道数为1的情况

基本概念：
输入图像：5 * 5 * 1（Height * Width * channel，长 * 宽 * 通道）
卷积核（滤波器）：3 * 3 * 1（长*宽 * 通道）
填充（padding）: 在图像周围填充0，本列（图）没有
步幅（strides）: 卷积核移动的间距，本列为1（可以看两幅图卷积核移动的距离）
公式字母含义说明：
输入高: inputH；
输入宽: inputW；
填充： p;
步幅：s;
输出高：ouputH;
输出宽：outputW；
卷积核：k * k
本列为正方形，仅计算outputH
计算公式：
$$outputH=\frac{inputH-k+2p}{s}+1$$
本列如下：
$$3=\frac{5-3+2\ast 0}{1}+1$$

1.2 通道数不为1（以通道数3为例）

如下图：
输入图像：4 * 4 * 3
卷积核：3 * 3 * 3（长，宽，通道数）三者没有必然联系，只是正好通道数和长宽相同
计算思想是：（输入图像和卷积核）对应通道相乘再相加
如：
1. 输入数据 最前面的一个通道 和 滤波器最前面一个通道做卷积运算 生成 一个2*2的特征图（就是1.1的单通道运算方式，这就是对应通道相乘）
2. 经过第一步的运算以后会生成3个2 * 2的特征图。将3个2 * 2对应位置的数字加到一起，最后生成输出数据（2 * 2 * 1），注意输出数据只有一个通道！！！

图解过程：

如果要生成多通道特征图，那么要多个卷积核（3 * 3 * 3）,
如：上例，输入图像4 * 4 * 3，想要得到2 * 2 * 7的特征图，那么，
卷积核为3 * 3 * 3 * 7(长，宽，通道数，卷积核个数）
在看到的很多文章中不提卷积核通道数，默认和输入图像相同。
在看到的很多文章中不提卷积核通道数，默认和输入图像相同。
在看到的很多文章中不提卷积核通道数，默认和输入图像相同。
附上一个更好的图解：

参考文章

[1] https://blog.csdn.net/weixin_30533797/article/details/95615085?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2&utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2