CNN中常见卷积操作输出计算

• 一般卷积计算输出计算， ，其中N为输入N×N图像的一边长、Pad为Padding填充数、kernal为卷积核（一般3×3）的单边数、stride为kernal的移动步长。

这里需要注意，M为向下取正，所以当（P=1, K=3, S=2）时，N=5与N=6计算得到M都为3 。

• Dilated卷积输出计算， ，其中dilaterate就为空洞数、核间隔（ ）。就是k放大后计算一般卷积输出。

• Transpose卷积输出计算， 。

这里需要注意的是TransCONV操作一般会指定 output_shape，因为例如对（3,3,1）做反卷还原，它的原始输入既可能是（5，5, 1）也可能为（6, 6, 1）。

在一般编程框架中，Padding参数为(Full=2, SAME=1, valid=0）， 注意发现当卷积核为偶数时，计算公式在程序里就不对了，因为程序里（tensorflow）SAME表示输入输出大小一致，所以这时可以将SAME=2看待。一般不会用偶数卷积核（4X4）

个人理解，欢迎指教，谢谢。

参考：CNN之间的计算，TensorFlow】tf.nn.conv2d_transpose是怎样实现反卷积的？，如何理解深度学习中的deconvolution networks？,如何理解空洞卷积（dilated convolution）？, tensorflow学习笔记(三十二):conv2d_transpose ("解卷积"),网易云课堂-卷积神经网络

这个网页可以点开来看下，做的挺好 https://distill.pub/2016/deconv-checkerboard/