深度学习基础理论

1. 卷积后特征图大小计算

方形的特征输入： i
方形的卷积核尺寸： k
每个维度相同的步长： s
每个维度相同的padding: p

输出特征图尺寸： o = ( i + 2p - k) / s +1

2. 反卷积

对于一个 步长为s 的卷积而言，它的反卷积可以看作是在输入特征单元之间插入 s-1个0，将得到的特征图作为输入特征图，然后进行步长为 1 的卷积操作。

3. 1x1 卷积

1×1卷积核可以起到一个跨通道聚合的作用，所以进一步可以起到降维（或者升维）的作用，起到减少参数的目的。

若用一个 1x1 卷积核, 则可以将输入特征图压缩成 只有一个通道的特征图。
若用n 个 1x1 卷积核, 则可以将输入特征图压缩成 只有n个通道的特征图。