矩阵卷积后的尺寸的计算公式

设:

图片输入大小为：W x W x D1

卷积核尺寸为: F x F

步长为： S

填充为：P

卷积核个数为：K

输出图片大小为：N x N x K

　　　　　　　　N = （W-F+2P）/ S +1

池化层的功能：
* 第一，又进行了一次特征提取，所以能减小下一层数据的处理量。
* 第二，能够获得更为抽象的信息，从而防止过拟合，也就是提高了一定的泛化性
* 第三，由于这种抽象性，所以能对输入的微小变化产生更大的容忍，也就是保持了它的不变性，这里的容忍包括图像的少量平移、旋转缩放等操作变化。

对于一个 $N\times N$ 的原图像，通过填充 $P$ (padding)个像素，经过一个步长是 $S$ (stride)的 $F\times F$ (filter)的卷积核，最终特征图的尺寸为：
$M = \frac{N - F + 2P}{S} + 1$

输入大小： $W_1\times H_1\times D_1$
需要4个超参数：
- 卷积核个数 $K$
- 卷积核边长 $F$
- 步长 $S$
- 零填充的数量 $P$
输出大小：
- $W_2 = \frac{W_1 - F + 2P}{S} + 1$
- $H_2 = \frac{H_1 - F + 2P}{S} + 1$
- $D_2 = K$
参数共享，每一个卷积核有 $F\times F\times D_1$ 个权重参数，共有 $F\times F\times D_1\times K$ 个权重参数和 $K$ 个偏差
通常设置 $K$ 为2的指数，如32，64，128，256，512

posted on 2021-03-03 17:06 Manuel 阅读(2591) 评论(0) 编辑收藏举报