卷积网络（conv）中步长、填充、卷积核大小与输入输出大小的关系

目录

1、stride =1

1）没有padding ：o = (i - k) + 1

2）有padding

半填充：输入输出一样大 o = i(卷积核是基数)

全填充 :o = i + (k - 1)

2、stride ≠1:  o = [( i + 2p -k) / s] + 1

1）没有padding 

2）有padding 

3、统一的公式：o = [( i + 2p - k) / s] + 1

---

在设计深度学习网络的时候，需要计算输入尺寸和输出尺寸，那么就要设计卷积层的的各种参数。这里有一些设计时候的计算公式，方便得到各层的参数。

具体可以参考这篇文章：A guide to convolution arithmetic for deep learning

这里简化下，约定：

• i：输入尺寸input
• o：输出output
• s：步长sride、
• p：填充padding（一般都是零）
• k：卷积核（kernel）大小

先按照步长来区分，然后按照padding区分

1、stride =1

1）没有padding ：o = (i - k) + 1

2）有padding

统一公式

• 半填充：输入输出一样大 o = i(卷积核是基数)

也就是说，padding的大小是kernel的“小”一半，5*5的核半填充padding就是5/2 = 2.5 = 2（向下取整），让原图像边缘当填充后卷积图像的中心

这里要注意的是2p实际是不等于k的，实际是2p = 2n ≠ 2n+1，所以，上式不等于i+1

• 全填充 :o = i + (k - 1)

也就是说，padding的大小是kernel-1

2、stride ≠1:  o = [( i + 2p -k) / s] + 1

1）没有padding 

2）有padding 

3、统一的公式：o = [( i + 2p - k) / s] + 1