神经网络计算

卷积完后的大小为

假设原本是W*H*D的图

卷积核大小为F

填充为P

步长为S

输出填充为OP

W'/H'=(W/H-F+2*P)/S +1

池化完后的大小为

 

假设原本是W*H*D的图

卷积核大小为F

填充为P

步长为S

输出填充为OP

       

W'/H'=(W/H-F)/S +1

逆卷积后的大小为

      

假设原本是W*H*D的图

卷积核大小为F

填充为P

步长为S

输出填充为OP

 

W'/H'=(W/H-1)*S-2*P+F+OP

感受野的计算

感受野计算时有下面几个知识点需要知道：

. 最后一层（卷积层或池化层）输出特征图感受野的大小等于卷积核的大小。
. 第i层卷积层的感受野大小和第i层的卷积核大小和步长有关系，同时也与第（i+1）层感受野大小有关。
. 计算感受野的大小时忽略了图像边缘的影响，即不考虑padding的大小

关于感受野大小的计算方式是采用从最后一层往下计算的方法，即先计算最深层在前一层上的感受野，然后逐层传递到第一层，使用的公式可以表示如下：

其中，是第i层卷积层的感受野，是（i+1）层上的感受野，stride是卷积的步长，Ksize是本层卷积核的大小。