卷积核里面的参数怎么来的_深度学习卷积操作的维度计算

一、卷积操作的维度计算

卷积操作的维度计算是定义神经网络结构的重要问题，在使用如PyTorch、Tensorflow等深度学习框架搭建神经网络的时候，对每一层输入的维度和输出的维度都必须计算准确，否则容易出错，这里将详细说明相关的维度计算。

首先，我们看一下卷积操作涉及的东西，一个卷积操作需要定义卷积核的大小、输入图像的padding长度以及卷积操作的步长。以一个RGB图像输入为例，一个多卷积核操作的示意图如下：

使用两个卷积核扫描输入图像

这个例子的输入数据是一个三维数据，带有通道数，输入数据第三个维度是通道数，使用了两个卷积核(滤波器)扫描得到一个带有两个通道的图像(一个卷积核对一个三维的数据，即带多个通道的二维图像扫描可以得到一个二维单通道图像结果，要求卷积核也是三维，且通道数和输入数据通道数一样)。下面我们来描述具体计算。

假设输入数据大小是w × h，其中，w是宽度，h是高度。扫描的卷积核大小是f × f。padding的长度是p(padding)，步长是s(stride)。那么经过卷积操作之后，输出的数据大小：