计算CNN的输出

怎么根据cnn网络的参数和输入图片大小，计算一个cnn网络的输出呢，下面来说明一下
现在做如下假设

• n：表示图像尺寸，比如图像尺寸为n*n*3
• f：表示卷积核尺寸，比如卷积核尺寸为f*f，可以用filter表示卷积核
• s：表示步进，卷积核一次移动多少个像素
• p：表示填充数目，表示一边填充p列像素，2p表示左右各填充p列像素，同样，在行上表示一边填充p行像素，2p表示上下各填充p行像素
  于是我们就可以得到如下公式
  不填充情况下 步进为1
  输出矩阵形状为：（n-f+1）（n-f+1）
  比如：n=10， f=3 输出为（10-3+1）=8
  不填充情况下 步进大于1
  输出矩阵形状为：((n-f)/s+1)((n-f)/s+1)
  比如n=10， f=3 s=2输出为（10-3）/2+1）=4
  填充 步进为1
  如果在不填充原图的情况下，没经过一次cnn，图像就会缩小，可以通过向图像周围填充0，来扩大原图的尺寸，使输入==输出
  怎么计算填充呢，如下公式，
  输出为（n+2p-f+1）*（n+2p-f+1）
  （n+2p-f+1）=n -->p=(f-1)/2
  填充 步进为>1
  输出为((n+2p-f)/s +1)

公式总结

卷积层中的参数数量

卷积层中的参数数量取决于 filters、kernel_size 和 input_shape 的值。我们定义几个变量：

• K - 卷积层中的过滤器数量
• F - 卷积过滤器的高度和宽度
• D_in - 上一层级的深度

注意：K = filters，F = kernel_size。类似地，D_in 是 input_shape 元组中的最后一个值。

因为每个过滤器有 F*F*D_in 个权重，卷积层由 K 个过滤器组成，因此卷积层中的权重总数是 K*F*F*D_in。因为每个过滤器有 1 个偏差项，卷积层有 K 个偏差。因此，卷积层中的参数数量是 K*F*F*D_in + K。

卷积层的形状，实际使用中的公式

卷积层的形状取决于 kernel_size、input_shape、padding 和 stride 的值。我们定义几个变量：

• K - 卷积层中的过滤器数量
• F - 卷积过滤器的高度和宽度
• H_in - 上一层级的高度
• W_in - 上一层级的宽度
• S-卷积核一次移动像素个数

注意：K = filters、F = kernel_size，以及S = stride。类似地，H_in 和 W_in 分别是 input_shape 元组的第一个和第二个值。

卷积层的深度始终为过滤器数量 K。
如果 padding = ‘same’，那么卷积层的空间维度如下：

• height = ceil(float(H_in) / float(S))
• width = ceil(float(W_in) / float(S))

如果 padding = ‘valid’，那么卷积层的空间维度如下:

• height = ceil(float(H_in - F + 1) / float(S))
• width = ceil(float(W_in - F + 1) / float(S))

np.ceil(4.3)
# 输出5.0
np.ceil(4.6)
# 输出5.0