图片经卷积或池化后尺寸大小计算

1. 卷积

卷积层的作用是提取输入图片中的信息，这些信息被称为图像特征，这些特征是由图像中的每个像素通过组合或者独立的方式所体现，比如图片的纹理特征，颜色特征。

卷积层有很多卷积核，通过做越来越多的卷积，提取到的图像特征会越来越抽象。

# 此方法中有初始化的卷积核，因此只需要指定卷积核大小即可，不需要管其中内容
torch.nn.Conv2d(in_channels, 
                out_channels, 
                kernel_size, 
                stride=1, 
                padding=0, 
                dilation=1, 
                groups=1, 
                bias=True, 
                padding_mode='zeros')

• in_channels：参数代表输入特征矩阵的深度即channel，比如输入一张RGB彩色图像，那in_channels=3

• out_channels：参数代表卷积核的个数，使用n个卷积核输出的特征矩阵深度即channel就是n

• kernel_size：参数代表卷积核的尺寸，输入可以是int类型如3，代表卷积核的height=width=3，也可以是tuple类型如(3, 5)代表卷积核的height=3，width=5

• stride：参数代表卷积核的步距，默认为1，和kernel_size一样输入可以是int类型，也可以是tuple类型【传入若为(2,3)，即卷积核每次向右移动2格，右边不够位后回到起点向下移动3格重新开始】

  

• padding：参数代表在输入特征矩阵四周补零的情况默认为0【上图👆就在外围补了一圈0】，同样输入可以为int型如1代表上下方向各补一行0元素，左右方向各补一列0像素

  如果输入为tuple型如(2, 1)代表在上方补2行下方补2行，左边补1列，右边补1列。padding[0]是在H高度方向两侧填充，padding[1]是在W宽度方向两侧填充

• bias：参数表示是否使用偏置，默认使用

• 其余参数较少使用，此处省略

1.1 张量卷积后的尺寸

在卷积操作过程中，我们知道矩阵经卷积操作后的尺寸由以下👇几个因素决定：

• 输入图片的大小 $W\times W$

  若大小为$H\times W$，则用下边公式👇分别计算得到新的H和W，二者相乘为矩阵尺寸N

• 卷积核kernel_size大小 $K\times K$

• 步长stride大小S

• 填充padding大小P

$$\begin{gathered} 矩阵尺寸N=\lfloor \frac{W-K+2P}{S}\rfloor +1 \\ 如下代码经过卷积得到的矩阵尺寸为N=\lfloor \frac{5-2+2\times 1}{2}\rfloor +1=3 \end{gathered}$$

import torch
import torch.nn as nn
# 利用标准正态分布填充
# 四维分别对应：(batch_size,channel,H,W)
im = torch.randn(1, 1, 5, 5)
c = nn.Conv2d(in_channels=1, out_channels=1,
              kernel_size=2, stride=2, padding=1)
output = c(im)
print("原(1,1,5,5)张量：")
print(im)
print("经卷积处理后的张量：")
print(output)

1.2 对 channel 的理解

具体可看此博客👉：理解卷积神经网络中的通道channel

1. 最初输入的图片样本的 channels ，即in_channels，取决于图片类型，比如RGB图像作为输入时channels=3

2. 卷积操作完成后输出的 out_channels ，取决于卷积核【可以理解为每个卷积核通过计算会得到 “一层” 结果，层数即为通道数】的数量。此时的 out_channels 也会作为下一次卷积时的卷积核的 in_channels；

   

多层的卷积核叫做过滤器

• 卷积核就是由长和宽来指定的，是一个二维的概念
• 过滤器是是由长、宽和深度指定的，是一个三维的概念
• 过滤器可以看做是卷积核的集合
• 过滤器比卷积核高一个维度，即深度

2. 池化

池化层的作用是对卷积层中提取的特征进行挑选

常见的池化操作有最大池化和平均池化，池化层是由 $n\times n$ 大小的矩阵窗口滑动来进行计算的，类似于卷积层，只不过不是做互相关运算，而是求 $n\times n$ 大小的矩阵中的最大值、平均值等

池化层主要有以下👇几个作用：

1. 挑选不受位置干扰的图像信息
2. 对特征进行降维【但是不变通道数】，提高后续特征的感受野，也就是让池化后的一个像素对应前面图片中的一个区域
3. 池化层是不进行反向传播的，而且池化层减少了特征图的变量个数，因此池化层可以减少计算量

池化后图片尺寸

• 输入图像尺寸为WxH
• 卷积核kernel_size的尺寸FxF
• 步长stride的大小S
• 池化一般不使用填充padding【如果传入参数使用了padding参数，则理解为输入图像W和H多了 $2\times padding$ 即可】

$$\begin{array}{rl}W& =\lfloor \frac{W-F}{S}+1\rfloor \\ H& =\lfloor \frac{\mathrm{H}-\mathrm{F}}{\mathrm{S}}+1\rfloor \end{array}$$

池化不改变通道数，因此若输入图像通道数为D，则经过池化后通道数仍然为D

import torch
import torch.nn as nn
# 四维分别对应：(batch_size,channel,H,W)
im = torch.randn(1, 64, 112, 112)
# 卷积核为3*3，步长为2，上下左右各填充1行
# 原图像W=H=112，由于padding=1，因此最后图像大小应为W=H= 112 + 2*1 =114
# 代入公式时 W= H= 114
c = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
output = c(im)
print("原张量尺寸：")
print(im.shape)
print("经最大池化处理后的张量尺寸：")
print(output.shape)