卷积神经网络中的卷积反卷积及池化计算公式、特征图通道数（维度）变化、卷积核大小与深度等概念解释_卷积神经网络计算公式

1.计算公式

设：
图像宽为W，高为H，通道数为C；
卷积核尺寸为K，通道数为D，个数为N；
卷积运算步长为S，0填充大小为P；
输入和输出量分别以1和2表示。

卷积：

W2 = (W1 - K + 2×P) / S + 1
H2 = (H1 - K + 2×P) / S + 1
C2 = N

反卷积：

W2 = (W1-1) × S + K - 2×P
H2 = (H2-1) × S + K - 2×P
C2 = N

池化：

W2 = (W1 - K) / S + 1.
H2 = (H1 - K) / S + 1.
C2 = C1

卷积、反卷积和池化操作均可改变图像尺寸大小，但池化操作不会改变图像的通道数，而卷积与反卷积通常会改变图像的通道数。

2.特征图通道数（维度）变化

经过卷积运算输出的特征图通道数仅由卷积核的个数决定，随各卷积层中卷积核的个数变化而变化，即C2=N，例如32×32×3经过5个5×5×3的卷积核运算后输出的特征图通道数即为5，如28×28×5。

3.卷积核大小与深度

卷积核通道数

卷积核的通道数只与输入图像的通道数有关，在进行卷积运算时，要求用于运算的卷积核的通道数应与输入图像的通道数一致，即D=C1，例如对32×32×3大小的输入图像进行卷积计算，卷积核通道数也为3，如5×5×3；

卷积核深度

卷积核深度就是卷积核的个数，每个卷积核中各通道与输入图像各通道相对应，所有通道同时分别进行运算，然后形成输出特征图其中的一个通道，多个卷积核运算后便形成多个通道，因此卷积核的深度也就是输出图像的通道数。
再结合上一条，则卷积核的深度同时也决定了下一卷积层中卷积核的通道数，因为本卷积层输出图像就是下一层的输入图像；

最后附上一张动图帮助理解

卷积运算动态演示