dn cnn 感受野大小受限_CNN的特征图、感受野、参数量、运算量计算

卷积神经网络CNN被LeCUN提出以后，出现了许多改进的卷积计算，在空间上有空洞卷积（dilated convolution），在通道上有分组卷积（group convolution）、深度可分离卷积（depth-wise separable convolution）。下面总结一下，不同的卷积运算，如何计算特征图大小、感受野尺度、参数量、运算量。

卷积操作介绍

正常的卷积操作：

对于图像矩阵来说，卷积操作就是一个固定大小（比如3*3）的滑动窗口，在图像上滑过，每次滑过的地方做逐像素的点乘操作。

如下图所示：

卷积操作有四个参数，分别是卷积核的大小F*F，卷积核的个数K, 卷积核滑动时的跳步（stride）S，以及对原图/特征图边缘进行0填充的个数P。

其中，F，S，P决定了卷积运算之后特征图的大小，K决定了输出特征图的维度。

对于padding的方式来说，tensorflow有“valid”和“same”两种，valid就是不填充，把卷积不到的地方去掉，same是把卷积不到的地方填充0，使得能够完成最后一次卷积，比如5*5卷积，最后只剩下四行，那么特征图会补充最后全为0的一行，以达到正常的卷积计算。声明一点，当stride=1时，使用same的padding方式得到的特征图大小将会跟原图大小一致。