一、各层输入输出尺寸计算：
先定义几个参数
输入图片大小W×W
Filter大小F×F
步长S
padding的像素数P
于是我们可以得出
N = (W − F + 2P )/S+1 'SAME'方式
输出图片大小为N×N
卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，除不尽的结果都向上取整。
例如：输入图片大小 416 *416， kernel_size:3 stride:2 pad:1
那么输出图片大小 = (416 - 3 + 2 * 1)/2 +1 = 209
备注：
1.如果计算方式采用'VALID'，则：
其中Wout为输出特征图的大小，Win为输入特征图的大小，F为卷积核大小，stride为卷积步长。
2.如果计算方式采用'SAME'，输出特征图的大小与输入特征图的大小保持不变，
其中padding为特征图填充的圈数。
输出层的深度是滤波器的个数！每一个filter遍历输入层会产生一个深度的输出层，那么n个输出层就会产生n个深度的输出层（也就是输出层的深度啦）。
这里再说一下，输出层每一个深度的计算过程。比如，输入层是28*28*3的图像，filter为3*3*3的滤波器。那么3个通道的filter会相应的每一个通道相互独立计算，然后再将3个通道的值相加在一起。
这就是每一个filter的计提的计算过程。现在就是CNN卷积的处理过程。
网友评论