卷积层和池化层输出特征图大小的计算——以LeNet模型为例

1.LeNet网络模型结构

本文咱们以LeNet网络为例，介绍一下，如何卷积层和池化层输出特征图的大小。

LeNet算上输入层，有八层。分别是：输入层INPUT、C1卷积层、S2池化层（或者叫下采样）、C3卷积层、S4池化层（或者叫下采样）、C5卷积层、F6全连接层和最后一层输出层OUTPUT。

LeNet各层，输入图像大小、卷积核大小、步长和通道数以及输出图像大小，如本图所示。

2.特征图大小的计算

卷积层和池化层采用不同的公式。
a.卷积层

a.池化层

解释：OutSize为输出图像大小，InputSize为输入图像大小，KernelSize为卷积核大小，Stride为步长，Padding为卷积时填充方式。根据这两个公式，就可以计算得出上表。读者可以都计算一下。指的说明的是，LeNet中填充方式为valid，即不填充，Padding为0.

3.补充知识

a.一个神经元的基本结构

加偏置项x0：解决线性不可分问题，从而使得模型能够逼近任何非线性函数。

激活函数主要起此作用（使得模型能够逼近任何非线性函数）。偏置项此功能比较弱。

b.padding的三种填充方式

same模式只有步长为1时，输入和输出的尺度才相同

c.卷积操作


d.池化操作

池化操作的方式也有很有，这里以MaxPool（最大池化）和AvgPool（取平均池化）为例。


在构建卷积神经网络时，往往会用在卷积层之后，通过池化来降低卷积层输出的特征维度，有效减少网络参数的同时还可以防止过拟合现象

参考：

1.建议大家大此文，详细讲解了LeNet模型的结构：LeNet模型解读

2.经典网络结构(LeNet , AlexNet , VGG , GoogLeNet)剖析
3.卷积神经网络-LenNet（代码实现pytorch）