卷积神经网络卷积后尺寸大小计算

1、无填充

1.1 公式1

$$\begin{gathered} \begin{array}{rl} \\ {H}^{\prime }& =\frac{(H-K[0])}{S[0]}+1\\ & \\ W’& =\frac{(W-K[1])}{S[1]}+1\end{array} \end{gathered}$$
其中:

• $K$表示卷积核大小(kernel_size=(kernel_height,kernel_width))
• $S$表示步幅大小(stride_size=(stride_height, stride_width))
• $H$表示输入的张量的行长,$H^{\prime }$表示输出张量的行长
• $W$表示输入的张量的列长,$W^{\prime }$表示输出张量的列长

ps:这里的除法为向下取整

1.2 示例

2、有填充

2.1.1 公式2

$$\begin{gathered} \begin{array}{rl} \\ {H}^{\prime }& =\frac{(H-K[0]+2\ast Pad[0])}{S[0]}+1\\ & \\ W’& =\frac{(W-K[1]+2\ast Pad[1])}{S[1]}+1\end{array} \end{gathered}$$

其中:

• $K$表示卷积核大小(kernel_size=(kernel_height,kernel_width))
• $S$表示步幅大小(stride_size=(stride_height, stride_width))
• $Pad$表示填充大小(padding_size=(up_down, left_right))
• $H$表示输入的张量的行长,$H^{\prime }$表示输出张量的行长
• $W$表示输入的张量的列长,$W^{\prime }$表示输出张量的列长

ps:pytorch卷积操作中的默认填充方式为(上下、左右)对称0填充,且具体操作流程为先填充后卷积。

2.1.2 示例

2.2.1 公式3

$$\begin{gathered} \begin{array}{rl} \\ {H}^{\prime }& =\frac{(H-K[0]+Pad[0]+Pad[1])}{S[0]}+1\\ & \\ W’& =\frac{(W-K[1]+Pad[2]+Pad[3])}{S[1]}+1\end{array} \end{gathered}$$

其中:

• $K$表示卷积核大小(kernel_size=(kernel_height,kernel_width))
• $S$表示步幅大小(stride_size=(stride_height, stride_width))
• $Pad$表示填充大小(padding_size=(left, right, up, down))
• $H$表示输入的张量的行长,$H^{\prime }$表示输出张量的行长
• $W$表示输入的张量的列长,$W^{\prime }$表示输出张量的列长

2.2.2 示例