【图解】神经网络各种层的输入输出尺寸计算

神经网络各种层的输入输出尺寸计算"/>

【图解】神经网络各种层的输入输出尺寸计算

【图解】神经网络各种层的输入输出尺寸计算

看到网上有很多计算神经网络各种层的输入输出尺寸的公式，但是往往只是直接给出公式，并没有教给我们如何得到这种公式的，自己学习的时候，做一下记录以及图解

卷积层

首先给出公式，这里肯定假设输入图像是等宽高的，用到的字母如下：

则输出图像的尺寸为 O × O O\times O O×O,其中
O = I + 2 P − K S + 1 O = \frac{I + 2P-K}{S} + 1 O=SI+2P−K​+1
具体是怎么得到这个公式的呢，我们下面举个具体的例子。比方说输入尺寸为 5 × 5 5\times5 5×5，卷积核大小为 3 × 3 3\times3 3×3，padding为1，步长为2。
原始图像为：

卷积的两种padding方式：
same的意思是，这个same的意思是输出的尺寸和输入的尺寸一样，这就要求，步长为1，
P = I − 1 2 P=\frac{I-1}{2} P=2I−1​
valid的意思是，不补零，输出尺寸会变小。

池化层

由于池化操作也是滑动窗口的方式，因此和卷积层的参数计算方式是一样的。

全连接层

全连接层的输入输出是固定的，指定多少就是多少。