卷积神经网络：由输入大小计算输出大小

卷积操作

假设输入大小为**(H,W)，卷积核（滤波器）大小为(FH,FW)**，输出大小 为(OH,OW)，填充为P，步幅为S。则输出大小可以通过下式计算。
$$OH=\frac{H+2P-FH}{S}+1$$
$$OW=\frac{W+2P-FW}{S}+1$$

例1： 输入大小：(7,7)；填充：1；步幅：2；卷积核大小：(3,3)
$$OH=\frac{7+2\times 1-3}{2}+1=4$$
$$OW=\frac{7+2\times 1-FW}{2}+1=4$$
所以输出大小(4,4)。
通过上述式子就可以计算输出大小。但是所设定的值必须使$\frac{H+2P-FH}{S}$和$\frac{W+2P-FW}{S}$分别可以除尽。当输出大小无法除尽时（就算结果为小数），需要采取报错等对策。

注：有的深度学习框架会选择四舍五入而不进行报错处理。

池化操作

假设输入大小为**(H,W)，卷积核（滤波器）大小为(F,F)**，输出大小 为(OH,OW)，填充为P，步幅为S。则输出大小可以通过下式计算。

注：一般情况下，步幅S等于卷积核大小F，即 S = F

公式如下：
$$OH=\frac{H-F}{S}+1$$
$$OW=\frac{W-F}{S}+1$$
例2： 输入大小：(28,28)；步幅：2；卷积核大小：(2,2)
$$OH=\frac{28-2}{2}+1=14$$
$$OW=\frac{28-2}{2}+1=14$$
所以输出大小(4,4)。