CNN中卷积和池化计算公式

卷积计算公式

1、卷积层输入特征图(input feature map)的尺寸为：H(input)×W(input)×C(input)

        H(input)表示输入特征图的高

        W(input)表示输入特征图的宽

        C(input)表示输入特征图的通道数（如果是第一个卷积层则是输入图像的通道数，如果是中间的卷积层则是上一层的输出通道数

2、卷积层的参数有如下几个

        输出通道数为K

        正方形卷积核的边长为F

        步幅(stride)为S

        补零的行数和列数(padding)为P

3、输出特征图(output feature map)的尺寸为H(input)×W(input)×C(input)，其中每一个变量的计算方式如下：

        H(output)=(H(input)−F+2P)/S+1

        W(output)=(Winput−F+2P)/S+1

       C(output)=K

4、参数量大小的计算，分为weights和biases：

        首先来计算weights的参数量：F×F×C(input)×K

        接着计算biases的参数量：K

        所以总参数量为：F×F×C(input)×K+K

池化的计算

设置

H = height, W = width, D = depth

    输入维度是 4x4x5 (HxWxD)
    滤波器大小 2x2 (HxW)
    stride 的高和宽都是 2 (S)

新的高和宽的公式是：

    new_height = (input_height - filter_height)/S + 1
    new_width = (input_width - filter_width)/S + 1

注意：池化层的输出深度与输入的深度相同。另外池化操作是分别应用到每一个深度切片层。

下图给你一个最大池化层如何工作的示例。这里，最大池化滤波器的大小是 2x2。当最大池化层在输入层滑动时，输出是这个 2x2 方块的最大值。

 参考：https://blog.csdn.net/sinat_32547403/article/details/74937527

              https://blog.csdn.net/gaishi_hero/article/details/81512404