卷积神经网络各卷积层输入输出及权重尺寸

卷积神经网络各尺寸的计算

Feature map数量和尺寸, 神经元的数量，连接数量，权重size

几个参数
输入尺寸：in_size
输出尺寸：out_size
卷积核：k (kernel_size)
填充值的大小：P（padding）
步长大小：S (stride)

则：

例子：

eg: 卷积层各参数为：

nn.Conv2d(in_channels=3,out_channels=96,kernel_size=12,stride=4,padding=2)

输入：256*256的3通道RGB图片 -> [256, 256, 3]
输出计算

输出为63 X 63，96通道 -> [63, 63, 96]
解析：其中输出的size 63 X 63即为feature map的大小，96为feature map的数量。
则本层神经元的数目为：63 X 63 X 96

连接数量：
在63 X 63 X 96个神经元中，每个都和输入数据中的一个尺寸为[12X12X3]的区域全连接，即连接数量：63 X 63 X 96 X12 X 12 X 3

参数数量：
每个feature map 上的神经元都使用同样的权重和偏差，（在不考虑偏置权重时）
（weight）参数量为：12 X12 X 3 X 96 -> [ 3, 96, 12, 12],即 [k, k, in_channels, out_channels]