PyTorch中，卷积层、池化层、转置卷积层输出特征图形状计算公式总结_卷积层池化层计算公式

在PyTorch中，卷积层（Convolutional Layer）、池化层（Pooling Layer，例如最大池化层）、以及转置卷积层（Transpose Convolutional Layer，也称为反卷积层或上采样层）的输出特征图形状可以根据输入特征图的形状和各层的参数计算输出。

假设输入特征图的形状为 (in_channel, in_height, in_width)，以下是各层输出特征图形状的计算公式：

1. 卷积层（Convolutional Layer）输出特征图形状计算公式：

out_channel = 卷积核的数量
out_height  = (in_height + 2 * padding - kernel_size) / stride + 1
out_width   = (in_width  + 2 * padding - kernel_size) / stride + 1
1
2
3

2. 池化层（Pooling Layer）输出特征图形状计算公式：

out_channel = in_channel
out_height  = (in_height - kernel_size) / stride + 1
out_width   = (in_width  - kernel_size) / stride + 1
1
2
3

3. 转置卷积层（Transpose Convolutional Layer）输出特征图形状计算公式：

out_channel = 卷积核的数量
out_height  = stride * (in_height - 1) + kernel_size - 2 * padding
out_width   = stride * (in_width  - 1) + kernel_size - 2 * padding
1
2
3

如果步幅为s，填充为s/2（假设s/2是整数）且卷积核的高和宽为2s，转置卷积核会将输入的高和宽分别放大s倍
1

这些公式适用于PyTorch中的卷积、池化和转置卷积层，可以根据具体的网络架构和参数进行计算。
注意，PyTorch中的卷积层和池化层通常作为nn.Conv2d和nn.MaxPool2d等模块提供，参数传递方式也要根据实际情况来设置。