深度学习CNN网络--卷积层、池化层、全连接层详解与其参数量计算_卷积层,池化层,全连接层

1.卷积层

我们以灰度图像为例进行讲解：让一个权重矩阵即卷积核（kernel）逐步在二维输入数据上“扫描”。卷积核“滑动”的同时，计算权重矩阵和扫描所得的数据矩阵的乘积，然后把结果汇总成一个输出像素。使用3x3卷积核，在未使用padding的情况下，卷积之后的图像尺寸为(width-2)*(height-2)。

以下动图展示了in_channels=3、out_channels =2，kernel_size=3、stride=2、padding=1的卷积层运算过程。

【卷积的计算公式】

输入图片的尺寸：一般用nn表示输入的image大小。
卷积核的大小：一般用ff表示卷积核的大小。
填充（Padding）：一般用p来表示填充大小。
步长(Stride)：一般用s来表示步长大小。
输出图片的尺寸：一般用o来表示。

如果已知 n,f,p,s,可以求得o
计算公式如下：
$$o=\lfloor \frac{n+2p-f}{s}\rfloor +1$$
其中"$\lfloor \rfloor$"是向下取整符号，用于结果不是整数时进行向下取整。

输出图片大小为：o×o
步长为2，卷积核为3*3，p=0的卷积情况如下：

当卷积函数中padding='same’时，会动态调整 p 值，确保 o=n ，即保证输入与输出一致。例如：输入是 28281 输出也为 28281 。
步长为1，卷积核为3*3，padding='same’的卷积情况如下：