深度学习-卷积与反卷积和输入和输出尺寸关系

下面给出通用公式

算上padding卷积

N（out） = (N(in) − k + 2p )/s+1
输入图片大小 N:W×W

s：stride
k：kernel_size 也叫 filterf
p：padding

算上padding反卷积

N（out） = （N（in）-1）× s +k -2p

s：stride
k：kernel_size 也叫 filterf
p：padding

卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’。

1.'VALID'
不能整除时向上取整。

2.'SAME'，输出特征图的大小与输入特征图的大小保持不变，
其中padding为特征图填充的圈数。
若采用’SAME’方式，kernel_size=1时，padding=0；kernel_size=3时，padding=1；kernel_size=5时，padding=2，以此类推。