论文《Recursive Cascaded Networks for Unsupervised Medical Image Registration》中密度可变形网络中的通道数和卷积层尺寸问题

各个卷积层的上方是通道数channels，初始图像是128*128*128*2，代表（x,y,z,c）每一层的卷积核数量number of kernel有多少，

就代表经过这一层卷积后的输出图像的通道数有多少，论文的代码中初始channel设为16，下采样的过程中每次卷积的卷积核的数量都会乘2

 

初始参数：

输入图像尺寸：n*n*n=128*128*128

padding=0

f=3

strde s=2

根据公式（公式链接）

得出输出图像尺寸为（128+0-3）/2+1=63，但这是跟代码中的注释不符的，代码中明确标明第一层后的图像尺寸变为了64*64*64，

我一开始认为：这里是向上取整的，否则后续的所有计算都不正确。

但后来发现这是不对的，因为我注意到了代码中的边缘填充padding并不是0

def convolve(opName, inputLayer, outputChannel, kernelSize, stride, stddev=1e-2, reuse=False, weights_init='uniform_scaling'):
    return tflearn.layers.conv_3d(inputLayer, outputChannel, kernelSize, strides=stride,
                                  padding='same', activation='linear', bias=True, scope=opName, reuse=reuse, weights_init=weights_init)

被用到的填充方法叫做Same卷积，那意味你填充后，你的输出大小和输入大小是一样的。

如果你想让n+2p-f+1=n的话，使得输出和输入大小相等，如果你用这个等式求解p，那么p=(f-1)/2。也就是p=1

那么重新计算就变成了了（128+2*1-3）/2+1=64，这样就对了

当从4-1到4-2时，4-1的大小是8*8*8，但到达4-2时步长设为了1

根据公式就变成了（8+2*1-3）/1+1=8，尺寸依然没有变，同时这里的卷积核数量也没有变，通道也就没变。

在padding为same时，公式也可以写成ceil（n/s），ceil代表向上取整

conv4 = convolveLeakyReLU(
            'conv4',   conv3_1,    c*8,  3, 2)  # 16 * 16 * 16
        conv4_1 = convolveLeakyReLU('conv4_1', conv4,      c*8,  3, 1)