卷积神经网络中卷积核参数计算和卷积操作理解

1. 背景知识

   卷积神经网络中的卷积操作主要是由：卷积核大小（kearl_size），步长(stride)，填充(padding)等决定，根据输入的特征图的in_channel的个数，尺寸以及卷积核大小，步长与填充的关系可以计算出卷积后输出的特征图的out_channel，大小等。

2. 相关计算

   现在假设原图像的输入为in_channel * image_size * image_size,卷积操作的卷积核的大小为kearl_size，卷积的步长为stride，填充为padding，卷积核的个数为out_channel，以下给出计算出卷积操作后特征图的个数，大小，以及卷积操作的参数等。
   假设现在输入的图像是3 * 32 * 32（3代表的是channel的个数，32 * 32是图像的大小），卷积操作中的卷积核的大小kearl_size为7，padding为1，stride为3，卷积核的个数conv_num为64，求卷积操作后图像的大小，卷积后的特征图的个数，以及卷积核的参数？

• 卷积操作后图像的尺寸计算
  由公式得卷积后的图像的尺寸为：after_size=(image_size+2 * padding-keral_size)/stride+1
  那么卷积后的图像尺寸为：（32+2 * 1-7）/3+1=10
• 卷积操作后特征图的feature maps个数（其实也是out_channel）计算
  输出的特征图的个数就是卷积核的个数 64
• 卷积核的参数计算
  由卷积操作知，卷积核的大小为64 * 3 * 7 * 7，其中64是输出的通道out_channel,3是输入通道in_channel,7乘7是卷积核的大小，那么一般的卷积核的大小为：out_channel * in_channel * size * size,往往卷积操作是共享一个卷积核，同时共享一个bias，那么一个卷积核所含的参数为：3 * 7 * 7+1，那么64个卷积核所含的参数的个数为：64 * （3 * 7 * 7+1），一般的计算为：卷积核的参数个数：out_channel * (in_channel * keral_size * keral_size+bias)

3. 卷积操作的正确打开方式
   直接上图：
   
4. 代码实现

'''
@copyright :Allen 2019/8/29
'''
import torch
from torch import nn
from torch.autograd import Variable
#定义一个简单的卷积类，conv，里面包含一个卷积操作
class conv(nn.Module):
    """
    in_channel:输入图像的channel的大小
    out_channel：卷积核的个数也是输出的图像的个数
    size：卷积核的大小
    std:卷积核移动的步长
    padding：填充的的大小
    """
    def __init__(self,in_channel,out_channel,size,std,pad):
        super(conv, self).__init__()
        self.net=nn.Conv2d(in_channel,out_channel,kernel_size=size,stride=std,padding=pad)

    def forward(self, x):
        x=self.net(x)
        return x

#输入的大小，1*3*32*32，注意此时pytorch接受的输入是4维的格式数据
# 其中1*3*32*32中的1表示batch size的大小，此处为1，代表的是一张图片
input=Variable(torch.randn([1,3,32,32]))
conv_layer=conv(3,64,7,3,1)
output=conv_layer(input)
print(output.shape)

输出结果：
torch.Size([1, 64, 10, 10])