【一起入门DeepLearning】中科院深度学习_期末复习题2018-2019第三题：卷积计算

专栏介绍：本栏目为 “2022春季中国科学院大学王亮老师的深度学习” 课程记录，这门课程与自然语言处理以及机器学习有部分知识点重合，重合的部分不再单独开博客记录了，有需要的读者可以移步 自然语言处理专栏和机器学习专栏。 如果感兴趣的话，就和我一起入门DL吧

2018-2019 学年第二学期期末试题

• 输入图片尺寸为：3x128x128
• 第一层卷积：96个大小为3的卷积核，步长为1
• 第二层池化：96个大小为2的均值池化核，步长为2
• 第三层卷积：64个大小为3的卷积核，步长为2

这一节相关的知识可以参看这篇博文：【一起入门NLP】中科院自然语言处理第4课-卷积神经网络CNN

公式：

• 求卷积层输出尺寸：output=(N+2xP-F)/stride+1
• 求池化层输出尺寸：output=(N-F)/stride+1
• 求卷积层参数个数：（FxFxn+1)xk
• 求池化层参数个数：池化层没有参数，池化层没有参数，池化层没有参数
• N：特征图原始尺寸
• P：pad值
• stride：步长
• F：卷积核尺寸
• n：特征图个数
• k：卷积核个数
• +1：加上一个偏置值

---

第一层：

• 特征图原始尺寸N=128
• 特征图个数n=3
• 卷积核尺寸F=3
• 卷积核个数k=96
• P=0
• stride=1
• 第一层的输出尺寸：(N+2xP-F)/stride+1=(128+0-3)/1+1=126，因此feature map的大小为：126x126x96✅
• 第一层的参数量：（FxFxn+1)xk=(3x3x3+1)x96=2688✅

---

第二层：

• 上一层的输出尺寸N=126
• 上一层的特征图个数=上一层核个数n=96
• 卷积核尺寸F=2
• 卷积核个数k=96
• P=0
• stride=2
• 第二层的输出尺寸：(N±F)/stride+1=(126-2)/2+1=63，因此feature map的大小为：63x63x96✅
• 第二层的参数量：0 ✅

---

第三层：

• 上一层的输出尺寸N=63
• 上一层的特征图个数=上一层核个数n=96
• 卷积核尺寸F=3
• 卷积核个数k=64
• P=0
• stride=2
• 第三层的输出尺寸：(N+2xP-F)/stride+1=(63+0-3)/2+1=31，因此feature map的大小为：31x31x64✅
• 第三层的参数量：（FxFxn+1)xk=(3x3x96+1)x64=55360✅